最終更新日：2026年8月27日
gk machine_learning underfitting
G検定トップ
＞ 未学習（Underfitting）とは？過学習との違い【G検定対策】
まず結論
未学習（Underfitting）は、訓練データの傾向さえ十分に捉えられていない状態です。
G検定では、次の違いで切ります。
- 訓練も検証も悪い → 未学習
- 訓練は良いが検証が悪い → 過学習
未学習では、モデルの表現力不足、学習不足、正則化のかけすぎなどを疑います。
直感的な説明
未学習は、問題集の内容そのものをまだ十分に理解できていない状態です。
- 練習問題でも点が取れない
- 初見問題でも点が取れない
つまり、「覚えすぎ」ではなく、そもそも基本パターンを学べていないのがポイントです。
定義・仕組み
未学習では、モデルがデータの関係を表現しきれていなかったり、学習が十分に進んでいなかったりします。
代表的な原因は次のとおりです。
- モデルが単純すぎる
- 学習回数が少なすぎる、または最適化が十分進んでいない
- 正則化が強すぎる
- 重要な特徴量が不足している
- 学習率などの設定が不適切で学習が進んでいない
学習曲線では、訓練側と検証側の性能がどちらも低い状態として現れます。
| 状態 | 訓練性能 | 検証性能 |
|---|---|---|
| 未学習 | 悪い | 悪い |
| 過学習 | 良い | 悪い |
| 良好 | 良い | 良い |
いつ使う？（得意・不得意）
改善を考える場面
- モデルの表現力を高める
- 必要に応じて特徴量を見直す
- 学習を十分に進める
- 正則化が強すぎるなら弱める
- 学習率などの最適化条件を見直す
注意点
「未学習＝エポック数が少ない」とは限りません。モデル自体が単純すぎる場合、学習回数だけ増やしても改善しないことがあります。
また、単に訓練・検証性能が低いだけで原因を1つに決めつけず、データ品質や評価方法も確認します。
G検定ひっかけポイント
過学習との逆転に注意
❌ 未学習では訓練データだけ高精度になる
⭕ それは過学習の典型です。
正則化との関係
❌ 正則化は強いほど常に良い
⭕ 強すぎる正則化はモデルを単純にしすぎ、未学習につながることがあります。
対策を機械的に逆にしない
- 過学習 → 正則化を強める方向が候補
- 未学習 → 正則化を弱める方向が候補
ただし、原因が正則化とは限らないため、モデルの複雑さや学習条件も見ます。
選択肢を切る判断基準
- 訓練性能も低い → 未学習を疑う
- 訓練性能だけ高い → 過学習を疑う
- 正則化が強すぎる → 未学習の原因になり得る
まとめ（試験直前用）
- 未学習＝訓練データにも十分に適合できていない
- 訓練性能も検証性能も低い
- 原因はモデルの単純さ、学習不足、強すぎる正則化など
- 過学習は「訓練良・検証悪」なので逆
- 両方悪いなら未学習を疑う