用語比較
バイアスとバリアンスの違い
バイアスとバリアンスは、どちらもモデルの予測誤差を生む原因です。違いは、誤差がどこから来るかにあります。バイアスは予測が最良の予測から平均的にずれる量、バリアンスは学習に使う標本が変わると予測がばらつく量です。
G検定では、設問の手がかり語から単純すぎて訓練データにもあてはまらないならバイアスが大きい、訓練データに合いすぎて標本の違いに敏感ならバリアンスが大きいと判定します。どちらも誤差の話だと一括りにすると、対策を取り違えます。
このページでは、誤差の原因、予測の動き、対策の向きという三つの軸で比較します。過学習そのものと正則化の関係は、過学習と正則化の違いのページで確認できます。
この記事の根拠と出典
各セクションの見出しの下に、公式資料で確認した内容か編集部の整理かをラベルで示しています。 試験日・料金・申込条件・試験方式は変わることがあるため、申込前に公式サイトで確認してください。G検定の一次情報確認日: 2026-10-02。
- 公式一次資料と照合した内容
- 期待平均二乗誤差がバイアス・バリアンス・ノイズに分解できること、バイアスが最良の推定器との平均的な差でバリアンスが学習標本ごとの予測のばらつきであること、バギングがバイアスをわずかに増やしてバリアンスを大きく減らすこと、次数1の多項式が未学習で高次数が過学習になることは、scikit-learn公式ドキュメントのバイアス・バリアンス分解の例と未学習・過学習の例へ2026-10-12に照合しています。
- 編集部が学習用に整理した内容
- 未学習・過学習との対応づけと、誤差の様子から判定する手順は編集部の学習上の整理です。
資格ごとの公式資料の一覧
結論
公式一次資料と照合：用語の定義は公式一次資料と照合しています。
バイアス
推定器の予測と、その問題で最良の推定器（ベイズモデル）の予測との平均的な差。モデルが単純すぎて真の構造を捉えきれないときに大きくなる。
バリアンス
同じ問題の別の学習標本で学習したときの、予測のばらつき。モデルが訓練データの細部に合いすぎるほど、標本の小さな違いで予測が大きく変わる。
違いを表で確認
| 比較軸 | バイアス | バリアンス |
|---|---|---|
| 何を測るか | 予測の平均と最良の予測との差 | 学習標本が変わったときの予測のばらつき |
| 大きくなる典型 | 単純すぎるモデル（未学習） | 複雑すぎるモデル（過学習） |
| 訓練データへの適合 | 訓練データにも十分あてはまらない | 訓練データにはよくあてはまる |
| 標本を変えたときの予測 | どの標本でも同じ方向にずれる | 標本ごとに大きく変わる |
| 減らす向きの対策 | モデルの表現力を上げる | 平均化（バギング）や正則化で安定させる |
| 選択肢で探すキーワード | 未学習、単純すぎる、偏り、表現力不足 | 過学習、ばらつき、標本への敏感さ、不安定 |
公式一次資料と照合：G検定: 2026-10-02に一次資料で確認一次資料の一覧を見る →
G検定の学習に使う書籍（Amazon）
試験範囲を通して読むときの1冊です。読んだ章は、このサイトの章別問題で確かめられます。
どこで迷っているかを切り分ける
バイアスを、データの偏り（公平性の話）と混同している人
ここでのバイアスは、予測誤差の成分です。G検定の公平性の分野で出るサンプリングバイアスやアルゴリズムバイアスとは別の話です。設問が誤差の分解を扱っているか、データの偏りを扱っているかを読み分けます。
モデルを複雑にすれば誤差は必ず減ると思っている人
複雑にするとバイアスは下がる方向ですが、バリアンスが増えて全体の誤差が上がることがあります。scikit-learn公式ドキュメントも、次数を上げすぎた多項式は訓練データのノイズまで学ぶ過学習になると述べます。
バギングが何を減らすのか分からない人
scikit-learn公式ドキュメントは、決定木1本はバイアスが低くバリアンスが大きく、バギングはバイアスをわずかに増やす代わりにバリアンスを大きく減らし、全体の誤差が下がると述べます。平均化はバリアンスを減らす方法です。
具体例で使い分ける
編集部の整理
例 1
説明文に『モデルが単純すぎて訓練データにもあてはまらない』とある場合
次数1の線形関数で、曲線状のデータを近似しようとしています。
- scikit-learn公式ドキュメントは、次数1の多項式では訓練標本に十分あてはまらず、これを未学習と呼ぶと述べています。
- 標本を取り直しても同じように曲線を捉えそこねるので、ばらつきよりも平均的なずれが誤差の主因です。
- 誤差の成分としては、バイアスが大きい状態に当たります。
結論: 単純すぎて訓練データにもあてはまらない状態は、バイアスが大きいと判断します。
例 2
説明文に『訓練データには非常によく合うが、標本が変わると予測が大きく変わる』とある場合
高次の多項式が、訓練データのノイズまで学習しています。
- 公式ドキュメントは、高い次数では訓練データのノイズまで学ぶ過学習になると述べます。
- バリアンスは、別の学習標本で学習したときの予測のばらつきです。標本ごとに予測が変わるので、バリアンスが大きい状態です。
- 対策は、データを増やす、正則化する、平均化することなど、安定させる向きです。
結論: 訓練データへの過剰な適合と予測の不安定さは、バリアンスが大きいと判断します。
例 3
『バギングで誤差が下がる理由』を問われた場合
決定木1本とバギングで、全体の誤差を比べています。
- 公式ドキュメントは、決定木1本はバイアスが低くバリアンスが大きいと述べます。
- ブートストラップ標本で学習した複数の木を平均すると、バイアスはわずかに増え、バリアンスが大きく減ります。
- バリアンスの減少が、全体の誤差の低下の主因です。
結論: バギングは、バリアンスを減らして全体の誤差を下げる方法と答えます。
問題文から答えを選ぶ手順
編集部の整理：未学習・過学習との対応づけと、誤差の様子から判定する手順は編集部の学習上の整理です。
- 1
訓練データへの適合を確認する
訓練データにもあてはまらないなら、バイアスが大きい側です。
- 2
標本の違いへの敏感さを確認する
標本が変わると予測が大きく変わるなら、バリアンスが大きい側です。
- 3
状態の語に置き換える
単純すぎるなら未学習、合いすぎるなら過学習に対応づけます。
- 4
対策の向きを確認する
表現力を上げるのはバイアス対策、平均化や正則化で安定させるのはバリアンス対策です。
試験での見分け方
編集部の整理
- 1回帰では、期待平均二乗誤差をバイアス・バリアンス・ノイズに分解できる。
- 2バイアスは、推定器の予測と最良の推定器の予測との平均的な差。
- 3バリアンスは、別の学習標本で学習したときの予測のばらつき。
- 4ノイズは、データのばらつきに由来する削減できない誤差。
- 5単純すぎて訓練データにもあてはまらない状態は未学習、訓練データのノイズまで学ぶ状態は過学習。
- 6バギングは、バイアスをわずかに増やす代わりにバリアンスを大きく減らし、全体の誤差を下げる。
誤答しやすい選択肢
バイアスを、公平性の分野のデータの偏りと同じ意味で読む
修正: 誤差の分解でいうバイアスは、予測と最良の予測との平均的な差です。サンプリングバイアスなどデータの偏りとは文脈が違います。
バリアンスを、データの値の分散と同じものと考える
修正: ここでのバリアンスは、別の学習標本で学習したときの予測のばらつきです。
誤差の全部をバイアスとバリアンスで説明できると考える
修正: ノイズは、データ由来で削減できない誤差として別に分解されます。
バギングがバイアスを減らすと考える
修正: 公式ドキュメントの例では、バギングはバイアスをわずかに増やし、バリアンスを大きく減らします。
確認問題
Q1別の学習標本で学習したときの、予測のばらつきを表す誤差の成分はどちらですか？
答え: バリアンス
バリアンスは、同じ問題の別の学習標本で学習したときの予測のばらつきを表します。
Q2モデルが単純すぎて訓練データにも十分あてはまらない状態は、バイアスとバリアンスのどちらが大きいと考えますか？
答え: バイアス
単純すぎて訓練標本にあてはまらない状態は未学習と呼ばれ、平均的なずれであるバイアスが大きい側です。
Q3バギングで全体の誤差が下がる主な理由は何ですか？
答え: バリアンスが大きく減るため
公式ドキュメントの例では、バギングはバイアスをわずかに増やす代わりにバリアンスを大きく減らし、全体の誤差が下がります。
到達チェック
- バイアスが予測と最良の予測との平均的な差だと言える
- バリアンスが学習標本を変えたときの予測のばらつきだと言える
- 未学習と過学習をバイアス・バリアンスに対応づけられる
- バギングがバリアンスを減らすことを説明できる
- 公平性の分野のバイアスと区別できる
関連ページで確認する
同じ資格で次に知りたいこと
- 主成分分析とクラスタリングの違い
主成分分析（PCA）とクラスタリング（k-means法）の違いを、出力の形、目的、使い分けと併用、G検定での判断手順と確認問題まで解説します。
- オートエンコーダとVAEの違い（圧縮して復元する仕組みと、確率分布で生成する仕組み）
オートエンコーダと変分オートエンコーダ（VAE）の違いを、符号の次元圧縮と再構成、確率的エンコーダ・デコーダ、事前分布とKLダイバージェンスの項、G検定での判断手順と確認問題まで解説します。
- 強化学習と教師あり学習の違い
強化学習と教師あり学習の違いを、学習に与えられるもの（正解か報酬か）、探索と活用、遅延報酬、G検定での判断手順と確認問題まで解説します。
よくある質問
Qバイアスとバリアンスの最大の違いは何ですか？
バイアスは予測と最良の予測との平均的な差で、バリアンスは学習標本を変えたときの予測のばらつきです。
Q未学習と過学習は、バイアスとバリアンスのどちらに対応しますか？
編集部の整理では、単純すぎる未学習はバイアスが大きい側、訓練データに合いすぎる過学習はバリアンスが大きい側に当たります。
Qバイアスとバリアンスは両方とも小さくできますか？
ノイズは削減できませんが、両者の釣り合いを改善することは可能です。公式ドキュメントの例では、バギングが全体の誤差を下げています。
Qバギングはなぜ誤差を下げるのですか？
ブートストラップ標本で学習した複数の木を平均すると、バイアスはわずかに増えるものの、バリアンスが大きく減るためです。
次に見る比較
- G検定・DS検定・統計検定2級で重なる用語10語の比較
同じ名前の用語の定義と収録章を、資格ごとに並べます。
- ベイズの定理と条件付き確率の違い（統計検定2級の式と計算例）
求める確率の向きの違いと、陽性になる確率の計算例を確かめます。
- 紛らわしい用語ペア早見表
混同しやすい用語の違いと判定の手掛かりを、資格別の一覧で確かめます。
執筆: ミナト編集部（運営者情報を見る）