従来型ML・データ
過学習（オーバーフィッティング）とは？意味・仕組みをわかりやすく解説
かがくしゅう / Overfitting ／ 最終更新日：2026年7月7日
30秒でわかる定義
過学習とは、機械学習モデルが訓練データに過剰に適合し、未知のデータ（本番データ）に対する性能が下がってしまう状態です。訓練データの正解率は高いのにテストデータで精度が出ない場合、過学習が疑われます。
仕組み・基本の流れ
- 1モデルが複雑すぎる、または訓練データが少ない・偏っていると、データの本質ではなくノイズまで覚えてしまう
- 2訓練データの誤差は下がり続けるが、検証データの誤差はある時点から上昇に転じる
- 3この『訓練は良いが検証は悪い』ギャップが過学習のサイン
実務でのポイント：対策には、①データを増やす・水増し（データ拡張）、②正則化（L1/L2・ドロップアウト）、③モデルを単純化、④早期終了（アーリーストッピング）、⑤交差検証で汎化性能を確認、などがあります。逆に単純すぎて訓練データにも適合できない状態は『未学習（アンダーフィッティング）』と呼びます。
関連する用語
このスキルを活かせる職種と年収は？
過学習の検知と対策（正則化・交差検証・データ拡張）は、機械学習エンジニア・データサイエンティストの実務の基本です。汎化性能を担保できることは面接でも問われます。
よくある質問
Q. 過学習が起きているかはどう判断しますか？
A. 訓練データでの精度が高いのに、検証・テストデータでの精度が明らかに低い（ギャップが大きい）場合に過学習が疑われます。学習曲線で訓練誤差と検証誤差の推移を比較するのが基本的な確認方法です。
Q. 過学習と未学習（アンダーフィッティング）の違いは？
A. 過学習は訓練データに適合しすぎて汎化しない状態、未学習はモデルが単純すぎて訓練データにも十分適合できていない状態です。前者はモデルを単純化・正則化し、後者はモデルを複雑化・特徴量を増やして対処します。