【G検定過去問風テスト】正則化の基本！過学習を防ぐペナルティの仕組み

2026年7月24日 2026年7月24日 atsushi_kitazawa

※本記事では、アフィリエイトプログラムより教材を紹介しています。

📝 問題

機械学習やディープラーニングにおいて、モデルが訓練データに過度に適合してしまい、未知のデータに対する予測性能（汎化性能）が低下する「過学習（オーバーフィッティング）」を防ぐための手法である「正則化（レギュラライゼーション）」に関する記述として、最も適切な選択肢を1つ選べ。

🔍 ここをクリックして正解を見る

AIは真面目すぎるがゆえに、学習用データを何度も読み込むと「過去問の丸暗記」を始めてしまいます。これが過学習です。

例えば、「料理学校のスープ作り」で考えてみましょう。
調味料（パラメータ）を無制限に使っていい状態にすると、特定の食材（訓練データ）にだけ合わせた極端に濃い味付け（巨大なパラメータ）を作ってしまいます。その場では絶品でも、別の食材（未知のデータ）を使うと大失敗してしまいますよね。

そこで料理学校は「調味料の総量に制限をかけるルール（正則化）」を導入します！
調味料を無駄に使いすぎるとペナルティ（減点）が科されるため、AIは特定の調味料だけに頼れなくなり、どんな食材にも合う「万能なスープ（汎化性能の高いモデル）」を作らざるを得なくなるのです。

A) パラメータの値を際限なく大きくすることで、モデルの表現力を極限まで高めて過学習を防止する手法。（×）: パラメータが巨大化すると特定のデータに過剰適合し、むしろ過学習が悪化します。
B) 誤差関数（損失関数）にパラメータの大きさに応じたペナルティ項を追加することで、パラメータが大きくなりすぎるのを抑える手法。（○）: これが正則化の正しい定義です。パラメータの暴走をペナルティで抑制します。
C) 訓練データの量を意図的に減らすことで、モデルが学習する情報量を絞り込み、未知データへの対応力を高める手法。（×）: データ量を減らすと汎化性能はかえって低下しやすくなります。データ拡張などで増やすのが一般的です。
D) モデルの学習回数（エポック数）をあらかじめ固定せず、誤差が完全に0になるまで学習を無限に継続させる手法。（×）: 誤差が完全な0になるまで学習させると過学習を引き起こします。過学習を防ぐためには逆に途中で学習を打ち切る「早期終了（Early Stopping）」などを行います。

リンク