---
title: "バイアス・バリアンス トレードオフ"
description: "バイアス・バリアンス トレードオフについて、G検定で問われるモデル評価分野の観点から、指標の意味、計算の考え方、モデル評価で何を判断するかを整理します。暗記だけでなく、似た概念との混同を避ける見分け方や、選択肢を切るためのポイントも確認します。"
canonical_url: "https://stemtazoo.github.io/gk/bias-variance-tradeoff/"
section: "gk"
---

## 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。