バイアス・バリアンス トレードオフは重要ポイントを整理して理解するための用語です。この記事では仕組み・役割・使いどころを押さえ、G検定で問われる判断ポイントとひっかけポイントを解説します。

gk machine_learning evaluation

G検定トップ ＞ バイアス・バリアンス トレードオフ

まず結論

  • バイアスとバリアンスは同時に小さくできない
  • モデルの複雑さを上げると
    バイアス↓・バリアンス↑
  • 過学習・未学習の根本原因を説明する考え方

直感的な説明

バイアス・バリアンス トレードオフは、

「どれくらい細かく考えるか」のバランス問題

です。

  • 大ざっぱに考えすぎる → ミスが多い
  • 細かく考えすぎる → 応用が効かない

この ちょうどいい地点 を探すのが目的です。

用語の定義

バイアス（Bias）

  • モデルの 思い込みの強さ
  • 単純すぎる仮定による誤差

例：

  • 線形モデルで複雑な関係を表そうとする

バリアンス（Variance）

  • データへの 敏感さ
  • 学習データが変わると結果が大きく変わる性質

例：

  • ノイズまで覚えてしまう複雑なモデル

トレードオフとは？

モデルを単純にすると

  • バイアス：大
  • バリアンス：小

👉 未学習（アンダーフィッティング）

モデルを複雑にすると

  • バイアス：小
  • バリアンス：大

👉 過学習（オーバーフィッティング）

重要ポイント

  • バイアスとバリアンスは 反対方向に動く
  • どちらかを下げると、もう一方が上がりやすい

学習曲線との関係（頻出）

状態 バイアス バリアンス
未学習 大 小
過学習 小 大
良好 適度 適度

👉 学習曲線はトレードオフの結果を見ている

対策の考え方

バイアスが大きいとき（未学習）

  • モデルを複雑にする
  • 特徴量を増やす
  • 学習時間を増やす

バリアンスが大きいとき（過学習）

  • 正則化を強くする
  • データを増やす
  • ドロップアウト・早期終了を使う

G検定ひっかけポイント

  • ❌「バイアスとバリアンスは両方ゼロが理想」→ 誤り
  • ❌「モデルは複雑なほど良い」→ 誤り
  • ✅ トレードオフ関係にある
  • ✅ 汎化性能はバランスで決まる

まとめ（試験直前用）

  • バイアス：単純すぎ問題
  • バリアンス：覚えすぎ問題
  • 両者はトレードオフ
  • 学習曲線とセットで理解する

👉 次は 正則化（L1 / L2） に進むと対策まで一気につながる。

🔗 関連記事

🏠 G検トップに戻る