最終更新日：2026年8月27日
gk machine_learning evaluation
G検定トップ
＞ 学習曲線とは？過学習・未学習を見分ける読み方【G検定対策】
まず結論
学習曲線は、訓練データと検証データに対する性能の推移を比較し、モデルの学習状態を確認するグラフです。
G検定では、まず次の2点を見ます。
大切なのは、訓練データだけを見て良いモデルと判断しないことです。
直感的な説明
学習曲線は、「練習問題」と「初見の模試」の成績を並べて見るイメージです。
- 練習問題だけ高得点、模試は低得点 → 覚えすぎ
- 練習問題も模試も低得点 → まだ理解できていない
- 両方とも良い → 未知データにも対応しやすい
この差を見ることで、単なる学習不足なのか、学習データに合わせすぎたのかを切り分けます。
定義・仕組み
「学習曲線」という言葉は、文脈によって横軸が異なることがあります。
横軸がエポック数の場合
学習を続けるにつれて、訓練誤差・検証誤差がどう変化するかを見ます。深層学習ではこの見方がよく使われます。
横軸が学習データ量の場合
学習データを増やしたとき、訓練性能と検証性能がどう変わるかを見ます。データ追加の効果を判断するのに役立ちます。
どちらの場合も重要なのは、訓練側と検証側を比較することです。
また、縦軸が「誤差」か「精度」かで上下の読み方が逆になります。
| 縦軸 | 良い方向 |
|---|---|
| 誤差・損失 | 低いほど良い |
| 精度 | 高いほど良い |
いつ使う？（得意・不得意）
得意なこと
- 過学習の兆候を確認する
- 未学習の兆候を確認する
- 学習を続けるべきか、モデルやデータを見直すべきかの判断材料にする
- Early Stoppingの停止判断に検証性能を使う
注意点
- 学習曲線だけで原因を1つに断定できるとは限らない
- データ分割や評価指標が不適切だと、曲線も正しく解釈できない
- 「2本の差が小さい」だけでは十分ではなく、検証性能そのものが良いかも見る
G検定ひっかけポイント
状態の切り分けは次の表で十分です。
| 状態 | 訓練性能 | 検証性能 | 判断 |
|---|---|---|---|
| 過学習 | 良い | 悪い | 訓練データへの適合が強すぎる |
| 未学習 | 悪い | 悪い | モデルの表現力不足・学習不足など |
| 良好 | 良い | 良い | 汎化できている可能性が高い |
よくある誤解
❌ 訓練誤差が低ければ良いモデル
⭕ 検証誤差も確認します。
❌ 訓練曲線と検証曲線が近ければ必ず良い
⭕ 両方とも悪いなら未学習の可能性があります。
❌ 学習曲線の横軸は必ずエポック数
⭕ 学習データ量を横軸にする場合もあります。
対策とのつながり
- 過学習 → 正則化、Dropout、Early Stopping、データ拡張など
- 未学習 → モデルの表現力、特徴量、学習条件、正則化の強さなどを見直す
まとめ（試験直前用）
- 学習曲線＝訓練性能と検証性能の推移を見る
- 訓練良・検証悪 → 過学習
- 訓練悪・検証悪 → 未学習
- 誤差なら低いほど良い、精度なら高いほど良い
- 差だけでなく検証性能そのものを見る