最終更新日：2026年8月27日
gk machine_learning evaluation
G検定トップ
＞ バイアスとバリアンスとは？未学習・過学習との違い【G検定対策】
まず結論
- バイアスが大きい → モデルが単純すぎて傾向を捉えにくい → 未学習（Underfitting）を疑う
- バリアンスが大きい → 学習データの違いに敏感で予測がぶれやすい → 過学習（Overfitting）を疑う
G検定では、まず 「ずれ＝バイアス」「ぶれ＝バリアンス」 と切り分けるのが基本です。
直感的な説明
同じ的を何度も狙うイメージで考えます。
- 狙いそのものが中心から外れている → バイアスが大きい
- 当たる場所が毎回ばらばら → バリアンスが大きい
機械学習では、バイアスはモデルの仮定や表現力による系統的なずれ、バリアンスは学習データが変わったときの予測のぶれやすさと考えます。
定義・仕組み
バイアス（Bias）
モデルが真の関係を十分に表現できず、予測が一方向にずれやすい性質です。複雑な関係を単純すぎるモデルで表そうとすると、高バイアスになりやすくなります。
バリアンス（Variance）
学習データが少し変わるだけで、学習結果や予測が大きく変わる性質です。複雑なモデルがデータの細部やノイズまで拾うと、高バリアンスになりやすくなります。
| 状態 | 典型的な特徴 | 関連する問題 |
|---|---|---|
| 高バイアス | 訓練データでも十分に当たらない | 未学習 |
| 高バリアンス | 訓練では良いが未知データで悪化 | 過学習 |
モデル複雑度との関係は、バイアス・バリアンス トレードオフで詳しく整理しています。
いつ使う？（得意・不得意）
バイアスとバリアンスは、モデルの失敗原因を考えるときの整理軸です。
高バイアスを疑うとき
- 訓練性能も検証性能も低い
- モデルが単純すぎる
- 特徴量や表現力が不足している
高バリアンスを疑うとき
- 訓練性能は高い
- 検証性能とのギャップが大きい
- データに対してモデルが複雑すぎる
ただしデータ量、ノイズ、正則化なども影響するため、「単純なら必ず高バイアス」「複雑なら必ず高バリアンス」ではありません。
G検定ひっかけポイント
| 選択肢の表現 | 判断 |
|---|---|
| 訓練・検証とも悪い | 高バイアスを疑う |
| 訓練は良いが検証が悪い | 高バリアンスを疑う |
| データが変わると予測が大きく変わる | バリアンス |
| モデルの仮定による系統的なずれ | バイアス |
- バイアス = ずれ
- バリアンス = ぶれ
と役割を分けて覚えます。
まとめ（試験直前用）
- バイアス＝モデルの仮定によるずれ
- バリアンス＝学習データの違いに対するぶれ
- 高バイアス → 未学習を疑う
- 高バリアンス → 過学習を疑う
- 「ずれ／ぶれ」で選択肢を切る