未学習（Underfitting）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 underfitting

G検定トップ ＞ 未学習（Underfitting）

まず結論

  • 未学習とは、モデルが十分に学習できていない状態
  • 学習データ・テストデータ どちらでも精度が低い
  • モデルが「考える力を持てていない」ことが原因

直感的な説明

未学習は、

教科書をほとんど読まずに試験を受けた状態

に近いです。

  • 問題の傾向をつかめていない
  • どの問題もだいたい外す

という状態になります。

定義・仕組み

未学習とは？

モデルが、

  • データの基本的な傾向すら捉えられていない
  • 表現力が不足している

状態を 未学習（Underfitting） といいます。

未学習が起きやすい条件

  • モデルが単純すぎる
  • 学習回数（エポック）が少なすぎる
  • 正則化が強すぎる
  • 重要な特徴量が不足している

学習曲線の特徴

  • 学習誤差：高いまま
  • 検証誤差：高いまま

👉 どちらも改善しないのが未学習の特徴

どうやって改善する？（代表的な対策）

モデルを複雑にする

  • 層を増やす
  • ニューロン数を増やす
  • 非線形性を強くする

学習を十分に行う

  • エポック数を増やす
  • 学習率を適切に調整する

正則化を弱める

  • L1 / L2 の係数を小さくする
  • ドロップアウト率を下げる

特徴量を見直す

  • 有効な特徴量を追加
  • 前処理の改善

G検定ひっかけポイント

  • ❌「未学習は学習データだけ精度が高い」→ 誤り
  • ❌「正則化は未学習を防ぐ」→ 誤り（強すぎると未学習）
  • ✅ 学習誤差・検証誤差 両方が高い
  • ✅ モデルが単純すぎると未学習

過学習との対比（重要）

状態 学習誤差 検証誤差
未学習 高い 高い
過学習 低い 高い
適切 低い 低い

👉 この表はG検定頻出

まとめ（試験直前用）

  • 未学習＝学習不足
  • 学習・検証どちらも精度が低い
  • 対策は
    モデル強化 / 学習回数増加 / 正則化を弱める

👉 次は 過学習とのセット問題 を意識して覚える。

🔗 関連記事

🏠 G検トップに戻る