【G検定過去問風テスト】過学習（オーバーフィッティング）と汎化性能の違いを徹底解説！

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

機械学習におけるモデルの学習と評価に関する説明として、最も適切な選択肢を1つ選べ。

A）訓練データに対する誤差（訓練誤差）が限りなくゼロに近づけば、未知のデータに対する予測性能（汎化性能）も必ず高くなる。
B）モデルの仕組みを複雑にしすぎたり学習を過剰に行うと、過学習が起こり汎化誤差が大きくなる傾向がある。
C）過学習が発生している状態とは、訓練誤差が大きく、テストデータに対する誤差（汎化誤差）が小さくなっている状態を指す。
D）汎化性能とは、学習に使ったデータ（訓練データ）に対してモデルがどれだけ正確に予測できるかを表す能力である。

🔍 ここをクリックして正解を見る

正解: B）モデルの仕組みを複雑にしすぎたり学習を過剰に行うと、過学習が起こり汎化誤差が大きくなる傾向がある。

💡 合格に近づく！徹底解説

重要度: ★★★

■ 1分で分かる！この問題の要点

過学習（オーバーフィッティング）は、モデルが訓練データだけになじみすぎて未知のデータ（テストデータ）に対応できなくなる現象。
訓練誤差が小さくても汎化誤差が大きい場合は過学習が起きている。目指すべきは「初見の問題に強い」高汎化性能のAI！

■ 初学者向け解説（例え話や背景）

試験勉強で例えると、「過去問の答えを丸暗記した生徒」を想像してください。
過去問集（訓練データ）を完璧に暗記すれば、過去問テストでの間違い（訓練誤差）はゼロになります。しかし、数字や問い方が少し変わった「本番の模試（未知のテストデータ）」を出されると、応用が効かずボロボロな点数を取ってしまう（汎化誤差が大きい）…。

これこそがAIの世界で恐れられている「過学習（オーバーフィッティング）」です！
私たちがAIを作る目的は、過去問で100点を取る（訓練誤差を減らす）ことではなく、まだ見ぬ本番で高い精度を出す能力＝「汎化性能」を高めること。ここを問うひっかけ問題は、G検定の超・大好物です！

■ 選択肢の解説

A) 訓練データに対する誤差（訓練誤差）が限りなくゼロに近づけば、未知のデータに対する予測性能（汎化性能）も必ず高くなる。（×）: 訓練誤差がゼロに近づきすぎると、かえって過学習を起こして汎化性能が低下するリスクが高まります（典型的なひっかけパターンです）。
B) モデルの仕組みを複雑にしすぎたり学習を過剰に行うと、過学習が起こり汎化誤差が大きくなる傾向がある。（○）: 正解です！モデルを必要以上に複雑にしたり過剰に学習させると、訓練データのノイズまで学習して汎化誤差（未知のデータに対するエラー）が大きくなります。
C) 過学習が発生している状態とは、訓練誤差が大きく、テストデータに対する誤差（汎化誤差）が小さくなっている状態を指す。（×）: 説明が逆です。過学習は「訓練誤差が小さく、汎化誤差が大きくなっている状態」です。
D) 汎化性能とは、学習に使ったデータ（訓練データ）に対してモデルがどれだけ正確に予測できるかを表す能力である。（×）: 汎化性能とは「学習に使っていない未知のデータ（テストデータ）に対してどれだけ正確に予測できるか」を表す能力です。