過学習とは【図解でわかりやすく】

最終更新日：2026年7月14日

30秒でわかる結論

過学習（オーバーフィッティング）は「過去問の丸暗記」状態。学習データ（過去問）の正解率は高いのに、未知のテストデータでは大幅に精度が落ちる。見分け方は「学習精度○・テスト精度×」の食い違い。対策はドロップアウト・L1/L2正則化・早期終了・データ拡張・交差検証など。防止の根本は「特定データへの特化を抑えて汎化性能を保つ」こと。

過学習（オーバーフィッティング）＝「練習は満点、本番はダメ」。学習データと未知データの成績が食い違う状態。

過学習はG検定で必ずと言っていいほど問われる基本概念です。まずは図解で全体像をつかみましょう。

図解

解説

過学習（オーバーフィッティング）は「過去問の丸暗記」にたとえられます。過去問と同じ問題なら満点でも、少しひねられると応用がきかずボロボロ——目の前のデータを覚えすぎて、応用力（汎化性能）を失った状態です。本質は「データの量」ではなく「特定のデータへの特化しすぎ」。見分け方は、学習データの成績（○）と未知データの成績（×）がハッキリ食い違うことです。

具体例

画像認識AIの例：10,000枚の猫画像で学習させたモデルが、学習データでは99%の正解率を出すのに、初めて見る猫の写真では60%しか識別できないケース。このモデルは「学習に使った特定の10,000枚」を丸暗記しており、少し角度や照明が違うだけで対応できません。もう一つの例：株価予測AIが過去データを完璧に覚えた結果、未来の株価予測精度がランダムと変わらない状態。

間違えやすい類似用語

未学習（アンダーフィッティング）：未学習は学習データに対してもうまく機能しない（学習不足）状態。過学習は学習データには強いが未知データに弱い（学習しすぎ）状態。混同行列の左端（両方×）が未学習のイメージ。
正則化（ドロップアウト・L1/L2正則化）：正則化は過学習の「対策」であって過学習そのものではない。ドロップアウト（ランダムにノードを無効化）・L1/L2正則化（重みを小さく保つペナルティ）などで汎化性能を高める。