AI資格ドリル
資格を選ぶ↓

用語比較

データ拡張とオーバーサンプリングの違い（画像の水増しと少数派クラスの水増しの見分け方）

データ拡張は、画像の回転といったランダム（ただし現実的）な変換を適用して、学習データの多様性を広げる手法です。オーバーサンプリングは、少数派のクラスに新しいサンプルを生成して、クラスの不均衡に対処する手法です。

どちらも学習データを増やす点は同じですが、増やす狙いが違います。データ拡張は変換のばらつきを足し、オーバーサンプリングはクラスごとの数をそろえます。

G検定の出題範囲には、ディープラーニングの学習で使うデータ拡張が含まれます。このページは、データを水増しする手法を、すべて同じものとして覚えている人向けです。

過学習そのものの対策や、不均衡データの評価指標は別のページで扱い、ここでは2つの水増しの切り分けに絞ります。

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。

結論

データ拡張

回転や反転などのランダムで現実的な変換を適用して、トレーニングセットの多様性を広げる。

オーバーサンプリング

少数派のクラスに新しいサンプルを生成して、クラスの不均衡に対処する。

違いを表で確認

比較軸データ拡張オーバーサンプリング
増やす狙いデータ拡張：トレーニングセットの多様性を広げるオーバーサンプリング：少数派クラスのサンプルを増やし、不均衡に対処する
増やし方データ拡張：回転、反転、明るさの調整、切り抜きなどのランダムな変換オーバーサンプリング：復元抽出による複製（RandomOverSampler）、近傍の補間による合成（SMOTE、ADASYN）
増やす対象データ拡張：学習用データセットの画像など（評価用には適用しない）オーバーサンプリング：少数派のクラスのサンプル
実行のタイミングデータ拡張：Kerasの前処理レイヤーでは学習中だけ有効で、評価や予測では無効オーバーサンプリング：imbalanced-learnのコード例では、fit_resampleでサンプルを増やしたデータで学習する

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。

PR
深層学習教科書 ディープラーニング G検定（ジェネラリスト）公式テキスト 第3版 の表紙深層学習教科書 ディープラーニング G検定（ジェネラリスト）公式テキスト 第3版試験を実施する日本ディープラーニング協会が監修した公式テキストです。Amazonで見る

ほかの資格を含む参考書・問題集の一覧を見る

どこで迷っているかを切り分ける

01

データを増やす手法を、すべて「データ拡張」と呼んでいる人

どちらも学習データを増やしますが、公式ドキュメントが示す狙いが違います。データ拡張は多様性を広げ、オーバーサンプリングは少数派クラスの不足に対処します。

02

SMOTEをデータ拡張の一種だと考える人

imbalanced-learnのドキュメントは、SMOTEとADASYNを、少数派クラスをオーバーサンプリングする方法として紹介しています。画像に回転や反転をかけるデータ拡張とは、手法の位置づけが別です。

03

データ拡張を評価用のデータにも適用してよいか迷う人

TensorFlowのチュートリアルは、データ拡張を学習用データセットだけに適用するとしています。Kerasの前処理レイヤーでは、学習中だけ有効で、評価や予測では無効になります。

具体例で使い分ける

例 1

画像を回転・反転して、学習データの多様性を広げる場合

画像分類の学習で、手元の画像にランダムな変換をかける設問です。

  • TensorFlowのチュートリアルは、データ拡張を、画像の回転といったランダム（ただし現実的）な変換を適用することで、トレーニングセットの多様性を拡大する手法と説明します。
  • RandomFlipやRandomRotationなどのKeras前処理レイヤーで実装できます。

結論: 変換で多様性を広げるのは、データ拡張です。

例 2

少数派クラスのサンプルが足りず、クラスの数をそろえたい場合

クラスの不均衡に対処する方法を問う設問です。

  • imbalanced-learnのドキュメントは、少数派のクラスに新しいサンプルを生成する方法を紹介します。
  • 最も素朴な方法は、手元のサンプルを復元抽出で無作為に選んで増やす方法で、元の少数派サンプルを複製します。

結論: クラスの不均衡への対処は、オーバーサンプリングです。

例 3

近傍のサンプルの補間で、新しい合成サンプルを作る場合

SMOTEの位置づけを問う設問です。

  • 同ドキュメントは、ランダムな複製に対し、SMOTEとADASYNは補間によって新しいサンプルを生成すると説明します。
  • ADASYNは、k近傍法で誤分類される元のサンプルの近くに生成することに重点を置きます。

結論: 補間で合成サンプルを作るSMOTEは、オーバーサンプリングの手法です。

問題文から答えを選ぶ手順

  1. 1

    増やす狙いを確認する

    変換のばらつきを足して多様性を広げたいならデータ拡張、クラスの数の偏りを直したいならオーバーサンプリングです。

  2. 2

    増やす対象を確認する

    データ全体に変換をかけるならデータ拡張、少数派クラスだけを増やすならオーバーサンプリングです。

  3. 3

    増やし方を確認する

    回転や反転などの変換ならデータ拡張、複製や補間による合成ならオーバーサンプリングです。

  4. 4

    適用先を確認する

    データ拡張は学習用データだけに適用し、評価や予測には使いません。

試験での見分け方

  • 1ランダムで現実的な変換により多様性を広げるのが、データ拡張。
  • 2少数派クラスのサンプルを増やして不均衡に対処するのが、オーバーサンプリング。
  • 3SMOTEやADASYNは、補間で合成するオーバーサンプリングの手法。
  • 4データ拡張は学習用データだけに適用し、評価や予測には使わない。

誤答しやすい選択肢

SMOTEは画像の水増しに使うデータ拡張だと考える

修正: imbalanced-learnのドキュメントは、SMOTEを少数派クラスをオーバーサンプリングする方法として紹介しています。

データ拡張を評価用のデータにもかける

修正: TensorFlowのチュートリアルは、データ拡張を学習用データセットだけに適用するとし、前処理レイヤーは評価や予測では無効になると説明しています。

オーバーサンプリングは、新しい情報を必ず加えると考える

修正: 最も素朴なRandomOverSamplerは、元の少数派サンプルを復元抽出で複製するだけです。補間で合成するSMOTEやADASYNとは、増やし方が違います。

確認問題

Q1画像の回転といったランダム（ただし現実的）な変換で、トレーニングセットの多様性を広げる手法はどちらですか？

答え: データ拡張

TensorFlowのチュートリアルの説明です。

Q2少数派のクラスに新しいサンプルを生成して、クラスの不均衡に対処する手法はどちらですか？

答え: オーバーサンプリング

imbalanced-learnのドキュメントが示す狙いです。

Q3Kerasの前処理レイヤーによるデータ拡張は、学習中と評価・予測のどちらで有効ですか？

答え: 学習中だけ有効

評価や予測では無効になります。

到達チェック

  • データ拡張の狙いと代表的な変換を言える
  • オーバーサンプリングの狙いを言える
  • SMOTEがどちらに属するかを言える
  • データ拡張を適用するデータの範囲を言える

関連ページで確認する

同じ資格で次に知りたいこと

よくある質問

Qデータ拡張とオーバーサンプリングの最大の違いは何ですか？

A

狙いです。データ拡張はランダムで現実的な変換でトレーニングセットの多様性を広げ、オーバーサンプリングは少数派クラスに新しいサンプルを生成してクラスの不均衡に対処します。

QSMOTEはデータ拡張に含まれますか？

A

imbalanced-learnのドキュメントは、SMOTEを少数派クラスのオーバーサンプリング手法として紹介しています。近傍のサンプルの補間で新しいサンプルを生成します。

Qデータ拡張は評価用データにも適用しますか？

A

TensorFlowのチュートリアルは、データ拡張を学習用データセットだけに適用するとしています。Kerasの前処理レイヤーでは、学習中だけ有効で、評価や予測では無効です。

QRandomOverSamplerは何をしますか？

A

手元の少数派サンプルを復元抽出で無作為に選んで増やします。元のサンプルを複製する最も素朴な方法です。

次に見る比較

シェア:XでシェアLINEでシェア

執筆: ミナト編集部（運営者情報を見る）