🏢
＊試験対策用のメモ✍
🎯 過学習（Overfitting）とは？
-
訓練データに対しては高い精度を出す一方で、
未知のデータ（テストデータや実際の運用データ）にはうまく対応できない状態。 -
モデルが「データの一般的な傾向」ではなく、「ノイズや例外」にまで過剰に適応してしまうのが原因。
📌 例：
猫の画像分類モデルが「猫の横にあるソファの色」まで覚えてしまい、
違う背景の猫画像だとうまく判断できない…というような状態。
🛡 過学習を防ぐ方法
| 対策方法 | 説明 |
|---|---|
| ① データ量を増やす | より多くの多様なデータを使って学習することで、一般化能力が向上する。 |
| ② シンプルなモデルを使う | パラメータが多すぎる複雑なモデルよりも、シンプルな方が過学習を起こしにくい。 |
| ③ 正則化（Regularization） | モデルの重みが極端にならないようにペナルティを課す（例：L1/L2正則化）。 |
| ④ 交差検証（Cross-validation） | 学習と検証を複数パターンで繰り返し、過学習を検知する方法。 |
✅ 試験に出やすいポイント
-
「訓練データにだけうまく合っている状態」は過学習。
-
正則化は頻出キーワード。
-
過学習の逆は「未学習（Underfitting）」で、これは訓練データにさえうまく適合していない状態。
☕ Share this post
💬 コメントしてみる？