従来型ML・データ
データ拡張（データオーグメンテーション）とは？意味・仕組みをわかりやすく解説
でーたかくちょう / Data Augmentation ／ 最終更新日：2026年7月7日
30秒でわかる定義
データ拡張とは、学習データに変換を加えて水増しし、データの多様性を増やす手法です。画像なら回転・反転・拡大縮小・色調変更など、元データから疑似的に新しいデータを作ることで、過学習を抑え汎化性能を高めます。
仕組み・基本の流れ
- 1元の学習データにランダムな変換を加える（画像：回転・反転・切り抜き・明るさ変更／テキスト：言い換え・同義語置換 等）
- 2変換後のデータも学習に使い、データのバリエーションを増やす
- 3モデルが多様なパターンに強くなり、過学習しにくくなる
実務でのポイント：ラベルを変えない範囲で変換するのが原則です（数字の「6」を180度回転すると「9」になるなど、意味が変わる変換は避ける）。データ収集コストをかけずに実質的なデータ量を増やせるため、特に画像分野で標準的に使われます。
関連する用語
このスキルを活かせる職種と年収は？
データ拡張は、限られたデータで精度を高めるCV・MLエンジニアの実務テクニックです。タスクに適した拡張を設計できることが評価されます。
よくある質問
Q. データ拡張は何のために行いますか？
A. 学習データの多様性を増やして過学習を抑え、未知のデータへの汎化性能を高めるためです。データ収集にコストをかけずに実質的なデータ量を増やせる利点もあります。
Q. どんな変換をしてもよいですか？
A. ラベル（正解）が変わらない範囲の変換にとどめます。画像の反転で意味が変わる場合（文字・標識等）や、変換で本来の分類が変わってしまう操作は避ける必要があります。