用語比較

過学習と正則化の違い

過学習（オーバーフィッティング）は、モデルが訓練データに適合しすぎて、未知のデータに対する汎化性能が下がってしまう状態です。正則化は、その過学習を防ぐための対策手法をまとめた呼び方です。

試験では、訓練データへの適合しすぎ・汎化性能の低下を指すなら過学習、それを防ぐ具体的な手法を指すなら正則化と役割で分けます。同じ文脈でセットに出てくるため、現象と対策を混同しないようにします。

このページは、過学習と正則化を同じ意味の言い換えとして覚えてしまった人を対象にしています。交差検証・混同行列・正解率・適合率・再現率・F値・ROC曲線・AUCという評価・検出の語と、L1正則化・L2正則化・ドロップアウト・早期終了・バッチ正規化という対策の語を分けて、問題と対策の関係として整理します。

この記事の根拠と出典

本文の主要なセクションでは、公式一次資料と照合した内容と編集部の整理を、見出しの下のラベルで区別しています。試験日、料金、申込条件、試験方式など変動する情報は、公式情報を最終確認してください。当サイトの一次情報確認日: 2026-07-03。

公式一次資料と照合した内容: 過学習と正則化の定義は公式範囲と照合しています。
編集部が学習用に整理した内容: 問題の症状と抑制策を対にして選択肢を切る手順は編集部の学習上の整理です。

G検定の一次資料

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。

過学習

モデルが訓練データに適合しすぎて、未知のデータへの汎化性能が下がってしまう状態。

正則化

過学習を防ぐための対策手法の総称。L1正則化、L2正則化、ドロップアウト、早期終了などを含む。

違いを表で確認

比較軸	過学習	正則化
位置づけ	訓練データに適合しすぎて汎化性能が落ちる現象	その現象を防ぐための対策手法群
確認する場面	交差検証やk分割交差検証で汎化性能を検証する	学習アルゴリズム側にペナルティや制約を加える
試験で見る語	過学習、交差検証、k分割交差検証、汎化性能	L1正則化、L2正則化、ラッソ回帰、リッジ回帰、ドロップアウト、早期終了、バッチ正規化
関連する評価指標	混同行列、正解率、適合率、再現率、F値、ROC曲線、AUC	評価指標そのものではなく、学習中に適用する手法
関係の向き	正則化で防ぎたい現象	過学習を防ぐために使う手段

公式一次資料と照合G検定の一次資料で確認（一次情報確認日: 2026-07-03）一次資料の一覧を見る →

どこで迷っているかを切り分ける

過学習と正則化を同じ意味の言い換えだと思う初学者

過学習は「訓練データに適合しすぎて未知のデータへの性能が下がる状態」という現象、正則化は「その状態を防ぐための手法群」という対策です。同じ話題でセットに出てくるため区別しにくいですが、問題文が状態を聞いているのか手法を聞いているのかを先に確認します。

交差検証を正則化の一種だと思う人

交差検証やk分割交差検証は、モデルが訓練データにだけ適合していないかを検証データで確認する評価・検出の手法です。学習アルゴリズム自体を調整するL1正則化・L2正則化・ドロップアウトなどの正則化とは、働く場所が異なります。

L1・L2正則化とドロップアウトを同じ処理と考える再受験者

L1正則化（ラッソ回帰）とL2正則化（リッジ回帰）は損失関数へ加えるペナルティ項による対策、ドロップアウトは学習時に一部のニューロンをランダムに無効化する対策、早期終了は検証データの性能悪化を見て学習を打ち切る対策です。すべて正則化の一種ですが、手法ごとに働き方が異なります。

具体例で使い分ける

編集部の整理

例 1

訓練データでは高精度だが未知データで性能が落ちる

モデルの訓練データに対する正解率は高いのに、検証データに対する正解率が下がる場面です。

訓練データと検証データで性能の差が大きいかどうかは、交差検証やk分割交差検証で確認します。
混同行列をもとに、正解率、適合率、再現率、F値、ROC曲線、AUCといった評価指標で汎化性能を確認します。
この時点ではまだ対策手法を選ぶ段階ではなく、過学習という現象が起きているかどうかを判断する段階です。

結論: 訓練データへの適合しすぎと未知データへの性能低下が確認できるので、過学習が起きている状態と判断します。

例 2

損失関数にペナルティを加えてモデルを抑える

学習時に、モデルの係数が大きくなりすぎないよう損失関数へ項を加える場面です。

L1正則化（ラッソ回帰）は係数を0にすることがあり、変数選択も兼ねます。
L2正則化（リッジ回帰）は係数を小さく抑える方向に働きます。
どちらも、過学習という現象に対して学習アルゴリズム側から働きかける対策です。

結論: 損失関数へのペナルティで過学習を抑えるので、L1正則化・L2正則化を使います。

例 3

学習中にニューロンを無効化する・学習を打ち切る

ドロップアウトや早期終了を使って、過学習を抑えたい場面です。

ドロップアウトは、学習時に一部のニューロンをランダムに無効化する対策です。
早期終了（early stopping）は、検証データの性能が悪化し始めた時点で学習を打ち切る対策です。
バッチ正規化も、学習を安定させる目的で正則化と合わせて扱われる手法です。

結論: いずれも過学習という問題に対する、正則化の具体的な手法です。

問題文から答えを選ぶ手順

編集部の整理問題の症状と抑制策を対にして選択肢を切る手順は編集部の学習上の整理です。

1
「現象」か「対策」かを見分ける
訓練データへの適合しすぎ・汎化性能の低下を指すなら過学習（現象）、それを防ぐ手法を指すなら正則化（対策）です。
2
評価・検出の文脈か学習アルゴリズムの文脈かを見る
交差検証、混同行列、正解率、適合率、再現率、F値、ROC曲線、AUCが出たら評価・検出の文脈、L1正則化、L2正則化、ドロップアウト、早期終了、バッチ正規化が出たら学習アルゴリズム側の対策です。
3
代表的な正則化手法を区別する
L1正則化（ラッソ回帰）は係数を0にする、L2正則化（リッジ回帰）は係数を小さく抑える、ドロップアウトはニューロンの無効化、早期終了は学習の打ち切りタイミングです。
4
問題と対策の関係に戻す
過学習を防ぐために正則化を使う、という一方向の関係を確認します。正則化を使えば過学習の定義自体が変わるわけではありません。

試験での見分け方

編集部の整理

1訓練データへの適合しすぎ・汎化性能の低下を指すなら過学習。
2それを防ぐ具体的な手法を指すなら正則化。
3交差検証、混同行列、正解率、適合率、再現率、F値、ROC曲線、AUCは、過学習の検出・評価に関わる語。
4L1正則化、L2正則化、ドロップアウト、早期終了、バッチ正規化は、正則化の具体的な手法。
5L1正則化（ラッソ回帰）は係数を0にする、L2正則化（リッジ回帰）は係数を小さく抑える、と区別する。
6過学習と正則化を同じ意味の言い換えとして扱わない。

誤答しやすい選択肢

過学習と正則化を同じ意味で使う

修正: 過学習は訓練データに適合しすぎて汎化性能が落ちる状態、正則化はそれを防ぐ手法群として区別します。

交差検証を正則化の一種と考える

修正: 交差検証はモデルの汎化性能を評価・検出する手法で、学習アルゴリズムを調整する正則化とは別に扱います。

L1正則化とL2正則化を同じ効果と考える

修正: L1正則化（ラッソ回帰）は係数を0にして変数選択も兼ね、L2正則化（リッジ回帰）は係数を小さく抑える点で異なります。

ドロップアウトと早期終了を同じ処理と考える

修正: ドロップアウトは学習時にニューロンをランダムに無効化する手法、早期終了は検証データの性能悪化を見て学習を打ち切るタイミングの制御で、対策の仕方が異なります。

確認問題

Q1モデルが訓練データに適合しすぎて、未知のデータへの性能が下がる状態を何という？

答え: 過学習（オーバーフィッティング）

過学習は現象を指す語です。それを防ぐL1正則化・L2正則化・ドロップアウトなどの対策手法とは分けて覚えます。

Q2係数を0にして変数選択も兼ねる正則化はL1・L2のどちら？

答え: L1正則化（ラッソ回帰）

L1正則化は係数を0にすることがあり変数選択も兼ねます。L2正則化（リッジ回帰）は係数を小さく抑える方向に働きます。

Q3学習時に一部のニューロンをランダムに無効化して過学習を抑える手法は？

答え: ドロップアウト

ドロップアウトは学習時にニューロンを無効化する対策です。学習を打ち切る早期終了とは対策の仕方が異なります。

到達チェック

過学習を「現象」、正則化を「対策」として説明できる
交差検証、混同行列、正解率、適合率、再現率、F値、ROC曲線、AUCが評価・検出の文脈だと分かる
L1正則化（ラッソ回帰）とL2正則化（リッジ回帰）の効果の違いを言える
ドロップアウトと早期終了の対策方法の違いを言える
過学習と正則化を同じ意味の言い換えとして使わない

よくある質問

Q過学習と正則化はどう違う？

過学習は訓練データに適合しすぎて汎化性能が落ちる状態、正則化はそれを防ぐための手法群です。

Q交差検証は正則化の一種？

いいえ。交差検証はモデルの汎化性能を評価・検出する手法で、学習アルゴリズムを直接調整する正則化とは役割が異なります。

QL1正則化とL2正則化はどちらを使えばいい？

目的次第です。変数選択も兼ねたいならL1正則化（ラッソ回帰）、係数を小さく抑えたいならL2正則化（リッジ回帰）を検討します。

Qドロップアウトと早期終了はどちらも同じ対策？

同じではありません。ドロップアウトは学習時にニューロンを無効化する手法、早期終了は検証データの性能悪化を見て学習を打ち切るタイミングの制御です。

Q過学習が疑われたら何を確認する？

交差検証や混同行列、正解率・適合率・再現率・F値・ROC曲線・AUCなどの評価指標で、訓練データと検証データの性能差を確認します。

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）