過学習

overfitting

モデルが学習データの細部まで覚え込み、新しいデータに対する性能が落ちる現象。

記事2本最終言及

過学習(overfitting)は、機械学習モデルが学習データに過度に適合し、データに含まれる一般的な規則ではなくノイズや偶然の特徴まで学習してしまう現象である。その結果、学習データでは高い成績を示すが、未知のデータでは性能が低下する。逆にモデルが単純すぎて学習データにすら十分に適合できない現象は未学習(underfitting)と呼ばれる。

モデルの複雑さに比べてデータが少ない場合や、学習を長く続けすぎた場合に生じやすい。これを防ぐため、学習データとは別の検証データで性能を測り、正則化、ドロップアウト、早期終了、データ拡張などの手法が用いられる。同じベンチマークに合わせてモデルやシステムを繰り返し調整し、そのベンチマークにだけ適合してしまう現象も過学習と呼ばれる。

この説明は、AIPOSTの記事と広く知られた事実をもとにまとめたものです。誤りがあれば訂正依頼でお知らせください。

この項目を扱った記事

  • フロンティアモデルの隠れコストを削る3つの修正、プロンプト負債・キャッシュ・評価AI活用 ·

    リスクは過学習です。

    記事を読む
  • 自己改善型AIエージェントはどう動くか、二重ループと安全設計の要点AI活用 ·

    1つの固定ベンチマークに対してバージョンを重ねて最適化すると過学習に陥ります。

    記事を読む

説明の誤りや、見つからない項目はありますか?

事典の説明は、AIPOSTの記事と広く知られた事実をもとにまとめています。誤りは訂正依頼でお知らせいただければ、確認して修正します。新しい記事に登場した名前は、記事の公開後に事典に加わります。