---
title: "学習曲線（Learning Curve）"
description: "学習曲線を、学習誤差と検証誤差の差からモデルの状態を読むグラフとして整理します。過学習・未学習・適切な学習状態、汎化性能の見方、正則化やデータ追加などの対策、精度表示との読み方の違い、グラフ上の2本の開き、G検定で「学習誤差だけで判断しない」ための曲線読み取りポイントを確認できます。"
last_modified_at: "2026-06-22"
canonical_url: "https://stemtazoo.github.io/gk/learning-curve/"
section: "gk"
---

## 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