LASSIC Media らしくメディア
過学習の原因と防ぎ方|学習データにだけ強いモデルを避けるコツ
監修・編集責任者:牛尾 昭昌(株式会社LASSIC 執行役員)
この記事の結論
- 過学習は、AIのモデルが練習問題の答えを丸暗記してしまい、初めて見るデータで外れが増える状態です。
- 見抜くには、学習に使っていないデータで成績を測り、学習用の成績との差が開いていないかを確かめます。
- 防ぐ手段には正則化や早期終了、データの追加があり、抑えすぎると未学習に振れるため検証用の成績で加減します。
※ 本記事は2026年10月時点の公式情報(省庁・公的機関、および製品やサービスを提供する事業者が公開している資料)に基づきます。
過学習は、AIを業務に取り入れるときによく耳にする言葉です。「社内の評価では精度が高かったのに、本番で使うと外れが目立つ」という相談の多くは、この過学習が原因になっています。
本記事では、過学習とは何か、反対の状態である未学習との違い、起きる仕組み、防ぎ方と見抜き方を、図と表で順に見ていきます。AIの開発を外部に頼むときに確かめたい点もまとめました。
過学習とは
過学習は、AIのモデル(データから規則を学んだ予測の仕組み)が、学習に使ったデータの細かなくせや雑音まで覚え込み、初めて見るデータで外れが増える状態です。試験にたとえると、練習問題の答えを丸暗記して、本番の問題が解けない状態にあたります。
- 学習用データ:モデルに規則を覚えさせるためのデータ。練習問題にあたる
- 検証用データ:学習に使わずにとっておき、成績を測るためのデータ。模擬試験にあたる
- 汎化(はんか):初めて見るデータにも当てはまること。業務で本当に求められる力
深層学習の代表的な教科書は、過学習を、学習用データでの誤差とテスト用データでの誤差の差が大きすぎる状態と定義しています。*1 正解のあるデータで学ぶ方法の全体像は「教師あり学習と教師なし学習の違い」で扱っています。
未学習との違い
過学習の反対が未学習です。モデルが単純すぎて、学習用データにすら合っていない状態を指します。2つは打ち手が正反対なので、まずどちらの状態かを見分けます。
| 比べる点 | 未学習 | 過学習 |
|---|---|---|
| 学習用データでの成績 | 悪い | とても良い |
| 検証用データでの成績との差 | 小さい | 大きい |
| よくある原因 | モデルが単純すぎる、学習が足りない | モデルが複雑すぎる、データが少ない |
| 主な打ち手 | モデルを複雑にする、手がかりを増やす | 正則化、早期終了、データの追加 |
機械学習のライブラリscikit-learnの公式の例では、曲線に雑音を加えたデータに、直線から複雑な曲線までを当てはめて比べています。直線では学習用データにも合わない未学習になり、複雑にしすぎると学習用データの雑音まで覚える過学習になると説明しています。*2
過学習が起きる仕組み
モデルを複雑にしていくと、学習用データでの誤差は下がり続けます。一方、検証用データでの誤差は、ある所までは一緒に下がり、そこから上がり始めます。教科書は、この誤差がモデルの複雑さに対してU字の曲線を描くとしています。*1
- モデルが複雑すぎる:細かなくせまで表せる分、雑音まで覚えてしまう
- データが少ない:たまたまの偏りを、本当の規則と取り違えやすい
- 学習を続けすぎる:同じデータを何度も学ぶうちに、丸暗記に近づいていく
データの量も影響します。教科書によると、学習用と検証用の誤差の差の上限は、モデルが複雑なほど大きく、学習用データが増えるほど小さくなります。*1 同じモデルでも、データが少ない案件ほど注意が必要です。
防ぎ方と見抜き方
教科書は、学習用データの誤差ではなく、初めて見るデータでの誤差を下げるために学習の仕方へ加える工夫を「正則化」と呼んでいます。*3 代表的な手段は次のとおりです。
- 正則化:モデルが複雑になりすぎないよう、学習に歯止めをかける
- 早期終了:検証用データでの成績が良くならなくなった時点で学習を止める
- ドロップアウト:学習中にモデルの一部を無作為に休ませ、丸暗記を防ぐ
- データの追加:学習用データを増やし、たまたまの偏りを薄める
見抜くには、学習に使っていないデータで成績を測るしかありません。教科書は、学習用データのおよそ80%を学習に、20%を検証に使うのが一般的だとしています。*1 注意したいのは、予測の時点では手に入らない情報が学習に紛れ込む「データリーケージ」です。scikit-learnの文書は、これが楽観的すぎる成績の原因になり、本番で成績が落ちるとしています。*4 検証の成績が不自然に高いときは、まずこれを疑います。
本番で精度が落ちる原因は、過学習だけではありません。データの傾向が変わる場合の監視は「MLモデルのドリフト監視・再学習」で扱っています。
外部に委託するときに確認しておきたい点
AIのモデルづくりを外部に頼むときは、次の点を事前に確かめておくと、納品後に「本番で当たらない」と分かる事態を防ぎやすくなります。
- 評価用データの持ち方:発注する側が一部のデータを手元に残し、納品物の評価に使えるか
- 成績の見せ方:学習用と検証用の成績を並べた推移を出してもらえるか
- データの分け方:無作為か、時間の順か、顧客ごとかを、理由とあわせて記録しているか
- 作り直せるか:設定や使ったデータの版を記録し、同じモデルを作り直せるか
実験の記録の仕組みは「MLflow入門」で紹介しています。
まとめ:過学習で確かめておきたい3つの点
過学習で確かめておきたい点は3つです。第一に、モデルが学習用データの細かなくせまで覚え込み、初めて見るデータで外れが増える状態で、反対の未学習とは打ち手が正反対であること。第二に、学習に使っていないデータで成績を測り、学習用との差が開いていないかを確かめること。第三に、正則化や早期終了、データの追加で抑えつつ、抑えすぎて未学習に振れないよう検証用の成績で加減することです。
よくある質問
データが何件あれば過学習を防げますか
決まった件数はありません。必要な量は、モデルの複雑さやデータの雑音の多さで変わります。データを少しずつ増やしながら学習用と検証用の成績の差を見て、差が縮まり続けるなら、増やす意味があると判断できます。
生成AIでも過学習は起きますか
起きます。大規模言語モデルを自社のデータで追加学習すると、学習に使った文例の言い回しばかり返すようになることがあります。考え方は「LLMファインチューニングとRAGの使い分け」で扱っています。
過学習かどうかは、どの数字を見ればよいですか
業務の目的に合った指標を1つ決め、同じ指標で学習用と検証用の値を比べます。値そのものより、学習を進めたときや設定を変えたときに、2つの差が開くかどうかを見ると判断しやすくなります。
機械学習モデルの開発と評価のご相談
元請(プライムベンダー)として、機械学習モデルの開発と評価の設計から、業務システムへの組み込み、保守・運用までご提案します。
2006年の創業以来、一次請けのシステムインテグレーターとして、企業のシステム開発と保守・運用を受託してきました。
出典
- *1 参考:Ian Goodfellow, Yoshua Bengio, Aaron Courville『Deep Learning』第5章 Machine Learning Basics(MIT Press、著者公開版)(https://www.deeplearningbook.org/contents/ml.html)。出典:第5章のうち、過学習と未学習の定義、容量と誤差のU字の関係、誤差の差の上限とデータ量、学習用と検証用の分け方(約80%と20%)の記述を参照(2026年10月確認)
- *2 参考:scikit-learn Examples「Underfitting vs. Overfitting」(https://scikit-learn.org/stable/auto_examples/model_selection/plot_underfitting_overfitting.html)。出典:余弦関数の一部に雑音を加えたデータに次数1・4・15の多項式を当てはめた例の説明を参照(2026年10月確認)
- *3 参考:Ian Goodfellow, Yoshua Bengio, Aaron Courville『Deep Learning』第7章 Regularization for Deep Learning(MIT Press、著者公開版)(https://www.deeplearningbook.org/contents/regularization.html)。出典:第7章の正則化の定義を参照(2026年10月確認)
- *4 参考:scikit-learn User Guide「12. Common pitfalls and recommended practices」(https://scikit-learn.org/stable/common_pitfalls.html)。出典:データリーケージの定義と、楽観的すぎる成績につながるという説明を参照(2026年10月確認)