過学習（オーバーフィッティング）とは

まず押さえる結論

過学習（オーバーフィッティング）は、生成AIパスポートの「第1章 AI（人工知能）」で確認しておきたい用語です。定義だけでなく、どの場面で使う言葉か、何と混同しやすいか、問題文のどの表現で判断するかまで確認します。

具体例から判断の境界を固める

対策そのものではなく、訓練データに適合しすぎて汎化性能が下がる状態として捉える

訓練データでは高い精度が出ているのに、未知のテストデータでは精度が大きく下がる場面があります。これは、モデルが訓練データの細かな癖まで覚え込みすぎて、新しいデータへの対応力（汎化性能）を失っている状態で、過学習と呼びます。訓練データにもテストデータにも十分適合できていない未学習とは逆の状態です。過学習を抑えるために、正則化やドロップアウト、早期終了といった対策が用いられ、交差検証によって汎化性能をより安定して見積もります。

問題文で見る箇所

「訓練データでは高精度、テストデータでは精度が下がる」「汎化性能が下がる」という状態の説明があれば過学習を候補にします。正則化・ドロップアウト・早期終了・交差検証は過学習という状態そのものではなく、それぞれ対策や評価の手法である点を区別します。

隣接概念との境界

正則化・ドロップアウト・早期終了は過学習を抑えるための対策で、交差検証は汎化性能を見積もる評価手法です。いずれも過学習という状態そのものを指す語ではありません。また、訓練・テストの両方で精度が低い未学習は、過学習とは逆方向の状態です。

誤答しやすい選択肢

• ×正則化を過学習と同じ状態を指す語として扱う。正則化は過学習を防ぐための対策であり、状態そのものの名称ではありません。
• ×訓練データにもテストデータにも十分適合できていない状態（未学習）を過学習と呼ぶ。過学習は訓練データには適合しすぎている点で未学習とは逆です。
• ×交差検証を行えば過学習が自動的に解消されると断定する。交差検証は汎化性能を見積もる評価手法であり、過学習を防ぐ対策そのものではありません。

4段階の判断手順

1. 01設問が訓練データとテストデータの精度差、または汎化性能の低下を述べているかを確認する。
2. 02訓練でもテストでも精度が低い未学習と、訓練だけ高精度な過学習を混同していないか区別する。
3. 03正則化・ドロップアウト・早期終了は対策、交差検証は評価手法であり、過学習という状態そのものではないと切り分ける。
4. 04過学習の説明に対策や評価の語が紛れ込んでいないか見直す。

到達条件: 過学習を訓練データへの適合しすぎと汎化性能の低下として説明し、未学習・対策・評価手法との違いを言える。

試験での問われ方

誤答しやすいポイント

関連する確認問題

同じ章で確認したい用語