未適合とは、機械学習モデルの表現力が不足しているなどの理由により、学習データの特徴やパターンを十分に捉えきれず、訓練時および未知のデータ双方で予測精度が低くなってしまう状態のことです。高バイアス状態とも呼ばれ、モデルの複雑化や特徴量の追加によって改善を図ります。
未適合とは
未適合とは、機械学習モデルが単純すぎるなどの原因で、学習データに存在する規則性やパターンを十分に捉えられていない状態のことです。
詳しく解説
機械学習の目的は、与えられたデータから本質的なパターンを抽出し、未知のデータに対しても高い汎化性能を発揮することです。しかし、モデルの構造が単純すぎたり、学習の回数が不足していたり、入力される特徴量が不十分であったりすると、未適合が発生します。この状態ではモデルがデータの特徴を学習しきれておらず、予測の偏りを示すバイアスが高い状態となります。解決策としては、より複雑なアルゴリズムの採用、モデルの表現力の向上、新たな特徴量の追加、学習回数の増加などが挙げられます。
具体例・使われ方
例えば、非線形に曲線を描いて分布している学習データに対して、単純な直線（線形回帰）を当てはめようとするケースが未適合の典型例です。また、住宅価格を予測する際に「部屋数」という単一の情報だけで予測モデルを構築しようとすると、立地や築年数などの重要情報が欠落しているため、十分な予測精度が得られず未適合に陥ります。
似た用語との違い
未適合としばしば対比される概念に過学習があります。過学習はモデルが学習データに過剰に適応しすぎてノイズまで学習してしまい、未知のデータに対する汎化性能が落ちる状態を指します。一方、未適合は学習データそのものの傾向すら捉えられておらず、学習データと検証データの両方で精度が低い点が大きく異なります。
注意点
過学習を警戒してモデルの複雑さを抑えすぎたり、正則化を強く適用しすぎたりすると、逆に未適合を引き起こすリスクがあります。機械学習モデルを構築する際は、バイアスとバリアンスのバランスを意識しながら、学習データと検証データの両方の誤差を監視して適切な調整を行う必要があります。