過学習（Overfitting）は、モデルが学習データの細部やノイズまで暗記し、未知データ（テストデータ）での性能が落ちる状態です。本記事は数式の導出ではなく、試験で問われる定義・見分け方・対策の対応表——特に他手法とのすり替え問題——に焦点を当てます。
試験で問われる見方
○：過学習は学習データに適合しすぎ、未知データの性能が低下する（TF-363、TF-364）。訓練だけでなく検証・テストで評価する。
○：ドロップアウトは学習時に一部ユニットを無効化する正則化（G-168）。早期終了は検証性能悪化で学習を止める（G-168）。
パスポートHQ-0133では、ドロップアウトの説明が正則化（L1/L2）の説明とすり替えられた不適切肢を見抜く問題があります。
過学習とは
機械学習の目的は汎化——学習に使っていないデータでもうまく予測すること——です。過学習では訓練誤差は小さいのに、検証・テスト誤差が大きくなります。モデルが複雑すぎる、データが少ない、学習が長すぎるなどが典型原因です。
見分けるサイン
- 訓練精度は高いがテスト精度が低い
- 検証損失が下がり始めたあと再び上昇（早期終了のタイミング）
- 学習データの個別サンプルを丸暗記したような挙動
だからこそデータを訓練・検証・テストに分割し、ハイパーパラメータ調整は検証セットで行い、最終評価はテストセットで一度だけ、が基本です。
対策一覧
| 手法 | 要点 | 試験の注意 |
|---|---|---|
| ドロップアウト | 学習時にニューロンをランダム無効化 | 推論時に入力を「削除」するわけではない（TF-395は×） |
| L1/L2正則化 | 重みの大きさにペナルティ | ドロップアウトの説明と混同注意（HQ-0133） |
| 早期終了 | 検証性能悪化で学習停止 | ドロップアウトとは別手法（G-168） |
| データ拡張 | 反転・切り出しなどで多様性UP | 画像などで有効（TF-435） |
| モデル簡素化 | 層・パラメータを減らす | — |
| データ追加 | 学習例を増やす | 根本対策の一つ |
過学習の反対・未学習
未学習（Underfitting）はモデルが単純すぎて、訓練データすら十分に当てはまらない状態です（G-175の（あ）過学習・（い）未学習の対比）。過学習対策を入れすぎると未学習に振れることもあり、バランスが重要です。
よくある質問
LLMのファインチューニングでも過学習する？
はい。少数データでの調整では特に注意が必要で、検証セットでの監視やエポック数の制限が使われます。
正規化層と正則化は同じ？
違います。バッチ正規化などは学習安定化、正則化は過学習抑制（G-299）。名称が似ているので混同注意。
アンサンブルは過学習対策？
ランダムフォレストなどは単木より過学習を抑えやすい、と説明されることがあります（G-038）。