最終更新日：2026年6月22日
gk machine_learning evaluation
G検定トップ
＞ 学習曲線（Learning Curve）
まず結論
- 学習曲線（Learning Curve）は、学習の進み方を学習誤差と検証誤差で確認するグラフです。
- G検定では、学習誤差だけでなく検証誤差も見ること、そして2本の差が大きいと過学習を疑うことが重要です。
直感的な説明
学習曲線は、モデルの「勉強の健康診断」です。
- 学習誤差：練習問題でどれだけ間違えるか
- 検証誤差：初見の模試でどれだけ間違えるか
練習問題だけ満点でも、模試で点が取れなければ意味がありません。学習曲線では、練習と模試の両方を見て、モデルが本当に使える状態かを判断します。
定義・仕組み
学習曲線は、横軸に学習データ量やエポック数、縦軸に誤差または精度を取ったグラフです。一般に、次の2本を比較します。
| 曲線 | 意味 | 注目点 |
|---|---|---|
| 学習誤差 | 学習データに対する誤差 | モデルが訓練データをどれだけ説明できるか |
| 検証誤差 | 未知データに近い検証データの誤差 | 汎化性能があるか |
G検定では、曲線の細かな形よりも、高いか低いか、2本の差が大きいか小さいかを読み取る問題が中心です。
いつ使う？（得意・不得意）
得意なこと
- 過学習を見つける
- 未学習を見つける
- データを増やすべきか、モデルを見直すべきかの判断材料にする
苦手・注意点
- 曲線だけで原因を完全に特定できるわけではない
- データの偏りや評価方法が悪いと、曲線の解釈も誤る
- 精度を縦軸にした場合は、誤差とは上下の読み方が逆になる
G検定ひっかけポイント
状態ごとの判断基準を覚えると、選択肢を切りやすくなります。
| 状態 | 学習誤差 | 検証誤差 | 判断 |
|---|---|---|---|
| 過学習 | 低い | 高い | 学習データを覚えすぎ。汎化できていない |
| 未学習 | 高い | 高い | モデルが単純すぎる、または学習不足 |
| 適切 | 低い | 低い | 2本が近く、汎化性能も比較的よい |
よくある誤りは、「学習誤差が低いから良いモデル」と判断することです。検証誤差が高いなら、未知データでは弱いモデルなので過学習を疑います。
対策も混同しないようにします。
- 過学習：正則化、ドロップアウト、早期終了、データ拡張
- 未学習：モデルを複雑にする、特徴量を増やす、学習を進める
まとめ（試験直前用）
- 学習曲線＝学習誤差と検証誤差を見るグラフ
- 学習誤差だけで良し悪しを判断しない
- 学習低い・検証高い＝過学習
- 両方高い＝未学習
- 2本の差と検証誤差が、汎化性能の判断ポイント