アンダーフィッティングとは、機械学習モデルの訓練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ず、未知データに対して高い汎用性能を発揮できない状態のことです。日本語では「過小適合」とも呼ばれ、モデルの複雑さが足りない場合に生じます。
アンダーフィッティングとは
一言でいうと、アンダーフィッティングとは、AIモデルが勉強不足や単純すぎることによって、データの規則性を十分に捉えきれず、正しく予測できない状態のことです。
詳しく解説
アンダーフィッティング（過小適合）は、機械学習モデルの複雑さが対象となるデータの複雑さに対して不十分である場合に発生します。例えば、本来は曲線的な関係性を持つ複雑なデータに対して、単純な直線（線形回帰など）だけでモデルを構築しようとすると、データ全体の傾向を十分に捉えることができません。その結果、訓練データに対する予測誤差が大きくなり、テストデータのような未知のデータに対しても同様に低い精度しか出なくなります。これは、モデルが適切な特徴量を学習できていないことを意味し、AIモデルの構築やチューニングの初期段階でしばしば直面する課題です。
具体例・使われ方
例えば、気温と電力消費量の関係が、季節要因により複雑な変動を示すデータがあるとします。これを、極端に単純な「気温が上がれば電力も直線的に増える」という一次関数のモデルだけで予測しようとすると、実際の複雑な波形に全く追いつきません。これがアンダーフィッティングの具体的なイメージです。
似た用語との違い
オーバーフィッティング（過学習）とは対の概念です。オーバーフィッティングが訓練データに学習しすぎて未知データに対応できなくなる状態であるのに対し、アンダーフィッティングは訓練データすら十分に学習できず、どちらの状態もモデルの性能低下を招きます。
注意点
アンダーフィッティングが発生している場合、どれだけ多くの学習データを追加で投入しても、モデル自体の表現力が上がらない限り精度は改善しません。ハイパーパラメータの調整ミスや、モデルの選定ミスを見直す必要があります。