大数の法則とは、確率論・統計学における基本定理の一つで、試行回数を増やすほど、観測されるデータの平均値が理論上の期待値（真の平均値）に近づくという性質です。機械学習においては、大量の訓練データを用いることでモデルの予測精度や汎化性能が安定し、データのノイズに影響されにくくなる理論的根拠として非常に重要な役割を果たしています。
大数の法則とは
大数の法則とは、ある試行を何度も繰り返したときに得られる結果の平均値が、試行回数を増やすにつれて、その事象が本来持っている理論的な期待値に限りなく近づいていくという統計学・確率論の基本的な定理です。AIや機械学習の分野においては、大量の訓練データを学習させることで、モデルの推定精度が真のデータ分布に収束していく理論的な支えとなっています。
詳しく解説
大数の法則には、数学的に「弱法則」と「強法則」の2種類が存在しますが、実用上は「サンプル数が多ければ多いほど、サンプルから得られる平均値の信頼性が高まる」という理解が一般的です。例えば、1枚のコインを投げたときに表が出る確率は2分の1（0.5）ですが、10回投げただけでは表が7回（70%）出ることも珍しくありません。しかし、投げ続ける回数を1万回、10万回と増やしていくと、表が出る実際の割合は限りなく50%に近づきます。AIやデータサイエンスにおいては、この法則が極めて重要です。なぜなら、ランダムに収集された一部のデータ（サンプル）から、未知のデータ全体（母集団）の確率分布や特徴を正しく推測できるという前提を保証してくれるからです。機械学習アルゴリズムが訓練データを通じてパターンを学習し、未知のデータに対しても正しく動作（汎化）できるのは、この法則が背景にあるためです。
具体例・使われ方
代表的な利用例として、シミュレーション手法の一種であるモンテカルロ法が挙げられます。これは、ランダムな乱数を大量に生成して計算を繰り返すことで、複雑な問題の近似解を得る手法であり、大数の法則を直接応用しています。また、ニューラルネットワークの訓練時において、ミニバッチサイズを十分に大きくすることで、勾配の推定値が全体のデータに対する真の勾配へと近づき、学習が安定する現象もこの法則のイメージに合致します。強化学習における価値関数の推定や、各種予測モデルの精度検証プロセスでも、評価データの数を増やすことで推計された精度が真の性能に収束していく様子が確認できます。
似た用語との違い
混同されやすい概念に「中心極限定理」があります。大数の法則は「サンプル数が大きくなると、標本平均は母平均（期待値）に収束する」という「値の収束」を示すのに対し、中心極限定理は「サンプル数が大きくなると、標本平均の分布は元のデータの確率分布が何であれ正規分布に近づく」という「分布の形状の収束」を示します。また、日常会話で使われる「経験則」や、ギャンブラーの誤謬（負けが続いたから次は勝つ確率が上がると思い込む誤解）とも明確に区別されます。大数の法則は、過去の偏りを相殺するために未来の確率が調整されるわけではなく、分母（試行回数）が圧倒的に大きくなることで、一部の偏りの影響が相対的に極めて小さくなるに過ぎません。
注意点
機械学習やデータ分析における注意点として、大数の法則は「データが同一の確率分布から独立に得られたものである（独立同分布：i.i.d.）」という大前提が必要です。現実のデータ（例えば、時間の経過とともに変化する時系列データや、バイアスが偏った不適切な方法で収集された訓練データ）では、この前提が崩れることが多く、データをいくら増やしても正しい推定に収束しない場合があります。データの「量」だけでなく、その「質」や収集プロセスの設計が適切でなければ、この法則による恩恵は受けられません。