過剰適合（オーバーフィッティング）とは、機械学習モデルが訓練データに対して過剰に学習してしまい、未知のテストデータに対する汎用的な予測精度が低下してしまう現象のことです。ノイズまで学習してしまうことが主な原因であり、AI開発において適切な正則化や汎化性能の維持が極めて重要となります。
過剰適合とは
過剰適合とは、AIモデルが学習用のデータに細部までこだわりすぎてしまい、未知のデータに対応できなくなる現象のことです。
詳しく解説
機械学習モデルの訓練時に、データに含まれる偶然の偏りやノイズまで完璧に覚え込んでしまうことで発生します。モデルの表現力が非常に高い場合や、訓練データの量が不足している場合に起こりやすくなります。その結果、訓練データに対する正解率は高くなりますが、実際の運用で直面する新しいデータに対する汎用的な予測能力が著しく損なわれてしまいます。
具体例・使われ方
例えば、過去の気象データと服装の写真を大量に学習させたAIがあるとします。過剰適合を起こしたモデルは、「晴れの日の特定の木の影の形」や「撮影時の背景の壁の色」といった予測に本質的ではない要素までルールとして覚えてしまい、背景が異なる新しい画像では正しく判定できなくなります。
似た用語との違い
「過剰適合」の対義語として、モデルの学習不足や表現力不足により訓練データすら十分に学習できない「未学習」があります。過剰適合が細かすぎる学習であるのに対し、未学習は一般化しすぎて肝心な特徴を捉えられていない状態です。
注意点
訓練データに対する精度（正解率）が高くても、それが過剰適合によるものであれば実用的なシステムとしては役に立ちません。必ず訓練データとは別のテストデータを用いて汎化性能を検証し、必要に応じて正則化などの対策を講じる必要があります。
この解説は役に立ちましたか？誤りが含まれる場合はご報告いただけますと幸いです。
更新日時: 2026年9月1日 12:21