正則化・データ拡張・正規化の違いは関連概念を切り分けるための考え方です。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 neural_network cnn

G検定トップ ＞ 正則化・データ拡張・正規化の違いとは？【L1/L2/Dropout vs BatchNorm｜G検定対策】

まず結論

  • 正則化・データ拡張・正規化は、すべて「過学習を防ぐ」方向に働くが、作用する場所と方法が全く異なる。
  • G検定では「何に作用しているか」を見れば一瞬で切れる。

直感的な説明

この3つは「対策している対象」が違います。

  • 正則化
    👉 モデルの重みを縛る
  • データ拡張
    👉 学習データを増やす
  • 正規化
    👉 学習の流れを安定させる

たとえると、

  • 正則化＝解き方に制限をかける
  • データ拡張＝問題集を増やす
  • 正規化＝勉強しやすい環境を整える

です。

定義・仕組み

正則化（Regularization）

  • モデルが複雑になりすぎるのを防ぐ手法
  • 重み（パラメータ）に制約をかける

代表例：

  • L1正則化：重みの絶対値にペナルティ（スパース化）
  • L2正則化：重みの二乗にペナルティ（重みを小さく）
  • Dropout：学習中に一部のノードを無効化

ポイント：

  • モデル内部に作用
  • 過学習対策が主目的

データ拡張（Data Augmentation）

  • 学習データに変換を加えて データ数・多様性を増やす
  • 主に画像データで使用

例：

  • 回転、反転、色変換
  • RandAugment / AutoAugment

ポイント：

  • 入力データに作用
  • データが増える
  • 汎化性能向上が目的

正規化（Normalization）

  • ネットワーク内部の値の分布を整える手法
  • 学習を安定させる

代表例：

  • Batch Normalization

ポイント：

  • 各層の出力分布を安定化
  • 勾配消失・爆発の抑制
  • 学習の高速化

いつ使う？（得意・不得意）

正則化が効く場面

  • モデルが複雑
  • 過学習が起きている
  • 重みが大きくなりすぎる

データ拡張が効く場面

  • データが少ない
  • 特に画像認識
  • 汎化性能を高めたい

正規化が効く場面

  • 深いネットワーク
  • 学習が不安定
  • 勾配消失・爆発が問題

G検定ひっかけポイント

ここが最重要です。

よくある誤解

  • ❌「正規化はデータを増やす」
  • ❌「データ拡張は重みに作用する」
  • ❌「Dropoutはデータ拡張」
  • ❌「全部前処理で同じ」

正しい判断基準

  • 重みにペナルティ → 正則化
  • ノードを無効化 → Dropout（正則化）
  • データを増やす → データ拡張
  • 分布を安定化 → 正規化

最終比較表（これだけ見ればOK）

| 観点 | 正則化 | データ拡張 | 正規化 | |—|—|—|—| | 作用対象 | 重み・ノード | 入力データ | 層の出力 | | タイミング | 学習中 | 学習前 | 学習中 | | データ数 | 増えない | 増える | 増えない | | 主目的 | 過学習防止 | 汎化向上 | 学習安定化 | | 代表例 | L1/L2/Dropout | RandAugment | BatchNorm |

まとめ（試験直前用）

  • 正則化：モデルを縛る
  • データ拡張：データを増やす
  • 正規化：学習を安定させる
  • Dropoutは正則化
  • 「どこに作用？」で即判断

🔗 関連記事

🏠 G検トップに戻る