学習曲線（Learning Curve）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 ＞ 学習曲線（Learning Curve）

まず結論

  • 学習曲線は、学習誤差と検証誤差の変化を見るグラフ
  • 過学習・未学習・適切な学習状態を判別できる
  • 汎化性能を判断するための重要な手がかり

直感的な説明

学習曲線は、

「このモデル、ちゃんと成長してる？」

を 目で確認するグラフ です。

  • 練習問題の点数（学習誤差）
  • 模試の点数（検証誤差）

を同時に見て、
勉強の仕方が合っているか を判断します。

定義・仕組み

学習曲線とは？

横軸に 学習データ量（または学習回数）、
縦軸に 誤差（または精度） を取ったグラフです。

通常は次の2本を描きます。

  • 学習誤差（Training Error）
  • 検証誤差（Validation Error）

学習曲線でわかること

未学習（アンダーフィッティング）

  • 学習誤差：高い
  • 検証誤差：高い
  • 2本の差：小さい

👉 モデルが単純すぎる／学習不足

過学習（オーバーフィッティング）

  • 学習誤差：低い
  • 検証誤差：高い
  • 2本の差：大きい

👉 学習データに依存しすぎ

適切な学習状態

  • 学習誤差：低い
  • 検証誤差：低い
  • 2本が近い値で収束

👉 汎化性能が高い状態

学習曲線から取れる対策

未学習のとき

  • モデルを複雑にする
  • 特徴量を増やす
  • 学習回数を増やす

過学習のとき

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

G検定ひっかけポイント

  • ❌「学習曲線は学習誤差だけを見る」→ 誤り
  • ❌「検証誤差が高くても学習誤差が低ければOK」→ 誤り
  • ✅ 学習誤差と検証誤差の 両方 を見る
  • ✅ 2本の差が重要

汎化性能との関係（頻出）

  • 検証誤差が低い → 汎化性能が高い
  • 学習誤差との差が大きい → 過学習
  • 両方高い → 未学習

まとめ（試験直前用）

  • 学習曲線＝学習の健康診断
  • 過学習・未学習を視覚的に判断
  • 汎化性能の確認に必須

👉 次は バイアス・バリアンス トレードオフ に進むと理解が一気に深まる。

🔗 関連記事

🏠 G検トップに戻る