最終更新日：2026年8月16日

ds unstructured-data preprocessing

DS検定トップ ＞ データ拡張（Data Augmentation）とは？画像AIの学習データを増やす方法【DS検定】

まず結論

データ拡張（Data Augmentation）とは、既存の学習データを変換して、人工的にデータのバリエーションを増やす手法です。

DS検定では、主に次の文脈で判断します。

  • 学習データ不足への対策
  • 過学習を抑え、汎化しやすくする

判断ポイント： 新しいデータを収集するのではなく、既存の学習データを変換して増やすのがデータ拡張です。

直感的な説明

画像AIでは、多くの学習データが必要になります。

しかし、例えば

  • 医療画像
  • 不良品画像
  • 希少な異常画像

などは、大量に集めにくいことがあります。

そこで、1枚の画像に対して、

  • 回転する
  • 左右反転する
  • 拡大・縮小する
  • 明るさを変える

といった変換を加えます。

同じ元画像でも見え方を少し変えることで、モデルにさまざまなパターンを学習させることができます。

定義・仕組み

データ拡張とは、元データの意味を大きく変えない範囲で変換し、学習用データの多様性を増やす方法です。

代表的な画像データ拡張

方法 内容
回転（Rotation） 画像を一定角度だけ回転する
反転（Flip） 左右・上下を反転する
拡大・縮小（Zoom） 一部を拡大・縮小する
平行移動 画像の位置をずらす
明るさ変更 明るさやコントラストを変える

重要なのは、変換後も正解ラベルの意味が保たれることです。

例えば数字の「6」を上下反転して別の意味に見えるような変換は、問題設定によっては適切ではありません。

どんな場面で使う？

学習データが少ないとき

新しいデータ収集が難しい場合、既存データから学習用のバリエーションを増やせます。

過学習を抑えたいとき

同じ画像だけを繰り返し学習すると、特定の見え方へ過剰に適合することがあります。

データ拡張によって見え方に幅を持たせることで、モデルが未知データにも対応しやすくなる場合があります。

画像認識モデルを学習するとき

画像分類、物体検出などで広く使われます。

よくある誤解・混同

❌ データ拡張 = 新しいデータを収集すること

データ拡張は、既存データを変換して使う方法です。

新しい画像を撮影・収集することとは別です。

❌ テストデータにも同じようにデータ拡張する

基本的な試験問題では、データ拡張は学習データに対して行う処理として整理します。

テストデータは、モデルを公平に評価するため、元の評価条件を保つことが重要です。

❌ どんな変換でも使える

正解ラベルの意味が変わる変換は適切ではありません。

「変換しても正解の意味が保たれるか」が判断基準です。

まとめ（試験直前用）

  • データ拡張 = 既存の学習データを変換して増やす
  • 回転・反転・拡大縮小・明るさ変更などが代表例
  • データ不足対策に使う
  • 過学習を抑え、汎化しやすくする目的がある
  • テストデータを増やす処理ではない
  • 変換後も正解ラベルの意味を保つことが重要

DS検定では、「既存データを変換して学習データの多様性を増やす」とあればデータ拡張と判断しましょう。

対応スキル項目（ver.6 データサイエンス）

  • 位置づけ：画像データ拡張の補助学習
  • ★1直接対応：なし
  • ver.6の★1一覧にはこのテーマと同一の直接項目がないため、試験理解を補う関連テーマとして整理します。
  • ver.6 ★1スキルチェックで確認する

    🔗 関連記事

© 2024-2026 stemtazoo. All rights reserved.