---
title: "未学習（Underfitting）"
description: "未学習（Underfitting）について、G検定で問われるモデル評価分野の観点から、基本的な意味、代表モデル・手法との関係、試験で問われやすい判断軸を整理します。暗記だけでなく、似た概念との混同を避ける見分け方や、選択肢を切るためのポイントも確認します。"
canonical_url: "https://stemtazoo.github.io/gk/underfitting/"
section: "gk"
---

## 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。