【G検定】過学習と未学習

【G検定まとめ】要点整理＆当日用カンペの項目別詳解ページです。

詳細な知識や実装は試験には必ずしも必須ではありませんが、試験対策として理解を深めたい方はぜひ最後までご覧ください。

G検定まとめはこちら

過学習

過学習とは、ニューラルネットワークが訓練データに過剰に適合してしまい、未知のデータに対する汎用性が損なわれる現象です。これはモデルに偏りが発生している状態と解釈できます。過学習を防ぐためには、ドロップアウトや早期終了（early stopping）などのテクニックが有効です。ドロップアウトは、学習中にランダムにノードを無効化することで、異なるモデルで学習を行い、モデルの偏りを解消します。一方、早期終了は、テストデータに対する誤差が上昇し始めた時点で学習を終了する手法です。これにより、訓練データのみに適合してしまう過学習を防ぐことができます。

過学習の特徴と発見方法

過学習は、予測モデルが訓練データに対して過剰にフィットしてしまう状態を指します。この状態では、モデルは訓練データに含まれる個々の特徴やノイズに対して過度に敏感になり、結果として未知のデータに対する汎化性能が低下します。

過学習に気づくためには、以下の手順が重要です：

訓練データと検証データ、テストデータの分割：データセットをこれらの３つのセクションに分けておくことで、モデルの訓練、検証、最終的な性能評価をそれぞれ異なるデータで行うことができます。
ホールドアウト法による検証：訓練データでモデルを訓練し、検証データでモデルの精度を検証します。これにより、モデルが訓練データに過剰に適合しているかどうかを評価できます。

過学習の兆候

訓練データに対する誤差が低いが、検証データやテストデータに対する誤差が高い：これは、モデルが訓練データに過剰にフィットしているが、未知のデータに対してはうまく機能していないことを示しています。
予測モデルがデータ全体の傾向を捉えられず、データの細部に過剰にフィットしている：モデルが個々のデータポイントに対して高い精度を示している一方で、データ全体のパターンや規則性を捉えられていない場合です。

未学習

未学習は、モデルが十分に訓練データを学習していない状態を指します。これは、モデルが単純すぎるか、訓練が不十分であるために発生します。未学習が発生すると、モデルは訓練データにおいても未知のデータにおいても低い性能を示します。未学習を克服するためには、モデルの複雑さを増すか、より多くのデータで学習を行うことが有効です。ただし、モデルの複雑化は過学習を招くリスクもあるため、バランスが重要です。