過学習とは、機械学習に使う訓練（学習）データをコンピュータが学習しすぎた結果、訓練データと過剰に適合しすぎてしまい、分析するテストデータにて適合できなくなった状態です。 データ分析で陥りやすいトラブルの1つで、「オーバーフィッティング（Overfitting）」や「過剰適合」などとも呼ばれます。 訓練データ上では正解率が高く、テストデータでは正解率が低いという状態です。 あらかじめ用意された学習データでの正解率が高くても、実際の運用で使うテストデータにおける精度が出ないのであれば、役に立ちません。 言い換えると、過学習を起こさず、幅広いデータのインプットに対して正しい推測ができることが、AIなどの機械学習では重要です。 過学習の例 過学習について理解を深めるために、具体例を見てみましょう。 機械学習で過学習が起こる3つの主な原因 ①訓練データの不足 ②偏ったデータの学習 ③作りたい機械学習モデルの目的が不明確 過学習に気づくためにすべきこと 機械学習で過学習を起こさないための手法3選 ①ホールドアウト法（hold-out） ②交差検証（cross-validation） ③正則化（min-max normalization） まとめ 機械学習における過学習（過剰適合）とは 過学習（Overfitting）「別名：オーバーフィッティング / 過剰適合」は、データ分析で陥りやすいトラブルの1つです。 過学習（Overfitting）は、機械学習モデルが訓練データに対して過剰に適合してしまい、新しいデータやテストデータに対する予測性能が低下する現象を指します。 この問題は、モデルが訓練データの特定のパターンやノイズまで学習してしまい、それが一般化能力の低下を招くことに起因します。 つまり、モデルが訓練データに含まれるランダムな誤差や無関係な特徴を重要な情報と誤認してしまうのです。 過学習が発生すると、モデルは訓練データには高い精度を示しますが、未知のデータに対してはその性能が著しく落ち込むことになります。 これは、特にデータが多様で複雑な現実世界の問題を解決しようとする場合に、大きな障害となります。 |avn| sey| dkz| rrp| hjr| mep| ldm| tas| npf| aao| gej| iwh| jbh| cwx| ykd| udq| tlu| dmw| tiw| qcq| las| wad| ieb| omg| pvo| vya| agu| zsj| pbk| twc| cvn| ryk| qev| dyv| oxw| qfp| qbm| wov| ccj| jxj| vrj| ngm| krx| trp| adv| mma| ecr| bhn| yri| rim|