過学習（Overfitting）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 overfitting regularization

G検定トップ ＞ 過学習（Overfitting）

まず結論

  • 過学習とは、学習データに過度に適合しすぎた状態
  • 学習データでは高精度だが、未知データで性能が落ちる
  • モデルが「覚えすぎてしまう」ことが原因

直感的な説明

過学習は、

過去問を丸暗記したけど、少し問題文が変わると解けない状態

に近いです。

  • 学習データ → 完璧
  • テストデータ → ボロボロ

というギャップが生まれます。

定義・仕組み

過学習とは？

モデルが、

  • データの本質的な傾向だけでなく
  • ノイズや偶然のパターンまで学習してしまう

状態を 過学習（Overfitting） といいます。

過学習が起きやすい条件

  • モデルが複雑すぎる
  • 学習データが少ない
  • 学習回数（エポック）が多すぎる

学習曲線の特徴

  • 学習誤差：どんどん下がる
  • 検証誤差：途中から上がり始める

👉 検証誤差が悪化し始めたら過学習のサイン

どうやって防ぐ？（代表的な対策）

正則化（Regularization）

  • 重みが大きくなりすぎないよう制約を加える
  • L1正則化 / L2正則化

早期終了（Early Stopping）

  • 検証誤差が悪化し始めた時点で学習を止める

ドロップアウト（Dropout）

  • 学習中にランダムでニューロンを無効化
  • モデルの依存関係を弱める

データを増やす

  • 学習データが多いほど過学習しにくい
  • データ拡張（Data Augmentation）も有効

G検定ひっかけポイント

  • ❌「バッチ学習は過学習を防ぐ」→ 誤り
  • ❌「学習誤差が低い＝良いモデル」→ 誤り
  • ✅ 学習誤差と検証誤差の 差 が重要
  • ✅ 正則化・早期終了・ドロップアウトは過学習対策

まとめ（試験直前用）

  • 過学習＝覚えすぎ
  • 学習データでは強いが汎化性能が低い
  • 対策は
    正則化 / 早期終了 / ドロップアウト / データ増加

👉 次は 未学習（Underfitting） と比較すると理解が深まります。

🔗 関連記事

🏠 G検トップに戻る