過学習（オーバーフィッティング）

📖 もうちょい詳しく

何が新しいの？

過学習は、AIが学習に使ったデータには強いのに、新しいデータには弱くなってしまう状態のことです。
機械学習では、たくさんの例題（学習データ）を見せてAIに規則をつかませます。ところが熱心に学ばせすぎると、その例題を「丸暗記」してしまうことがあります。すると、見たことのある問題には完璧に答えるのに、初めて見る問題ではとたんに外す、ということが起きます。AIづくりで昔から知られている、つまずきやすいポイントです。

どうやって動いてるの？

AIは学習中、答えとのズレをできるだけ小さくしようと調整を繰り返します。
このとき、本来つかむべき「大まかな規則」だけでなく、たまたまそのデータにあっただけの細かいクセや、まぎれこんだノイズ（意味のないばらつき）まで覚えてしまうことがあります。これが過学習です。学習データでの成績は上がり続けるのに、別に取り分けておいた確認用データでの成績が途中から下がり始める、という形であらわれます。

何ができるの？

過学習は「直す」というより「気づいて防ぐ」ものです。
学習に使わないデータをわざと取り分けておき、そちらでの成績を見張るのが基本のやり方です。ほかにも、データを増やす、モデルを必要以上に複雑にしない、学習を早めに切り上げる、といった工夫で和らげられます。逆をいうと、AIの良し悪しを「学習データの正解率」だけで判断すると、本番で使えないAIを優秀だと勘違いしてしまいます。

🌱 身近なたとえ

過去問の答えを丸暗記した受験生で例えるとわかりやすいです。
その人は、見たことのある過去問なら満点を取れます。でも、出題の仕方が少し変わった本番では、急に解けなくなってしまいます。考え方ではなく答えそのものを覚えてしまったからです。過学習したAIも、これとそっくりの状態だと思ってください。

✅ まず覚えるポイント

• 過学習は、学習データに強く、新しいデータに弱い状態
• 原因は「規則」ではなく細かいクセやノイズまで覚えること
• 学習データの正解率が高いだけでは安心できない
• 確認用のデータを取り分けて成績を見張るのが基本
• データを増やす・複雑にしすぎないなどで和らげられる

🧭 よくある勘違い

学習データの正解率が高ければ、良いAIなの？

そうとは限りません。学習に使ったデータで高得点なのは当たり前で、過学習しているときほど高く出がちです。
本当に見るべきは、学習に使っていない新しいデータでの成績です。そこでの結果が、実際の現場での実力に近くなります。

たくさん学習させるほど賢くなる？

ある程度までは賢くなりますが、やりすぎると逆効果になることがあります。
学習を続けるうちに、途中から丸暗記の方向へ進んでしまう場合があるためです。確認用データの成績が下がり始めたら、そこが切り上げどきの目安になります。

過学習は完全に避けられる？

ゼロにするのは難しく、「ほどよく抑える」のが現実的なねらいです。
抑えすぎると今度は学習が足りず、規則をつかみきれない別の問題（学習不足）が起きます。両者のバランスを取ることが、AIづくりの腕の見せどころです。

🧩 関連して覚えると楽な言葉

• 機械学習: データから規則を自分で見つける、AIの土台となるしくみ
• ディープラーニング: 脳をまねた多層のしくみで学ぶ、機械学習の一手法
• ファインチューニング: 学習済みモデルを追加で学ばせて調整する方法

🏁 ひとことでまとめ

過学習は、AIが学習データを覚え込みすぎて、初めての問題に弱くなってしまう状態です。
過去問を丸暗記した受験生のように、見たことには強く、応用には弱い——だからこそ、新しいデータで実力をたしかめる姿勢が欠かせません。