過小適合とは、機械学習モデルの学習が不十分で、訓練データの特徴すら適切に捉えられていない状態を指します。モデルが単純すぎる場合や学習不足が原因で発生し、訓練データと未知のデータの双方で予測精度が低くなります。モデルの複雑化や特徴量の追加によって解決を図る必要があります。
過小適合とは
過小適合とは、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、訓練データの特徴を十分に学習できず、訓練データと未知のデータの双方で満足な精度が得られない状態のことです。
詳しく解説
機械学習における学習の目的は、与えられたデータから潜在的なパターンや規則性を発見することです。しかし、過小適合が発生すると、モデルはデータの基本的な構造すら捉えることができません。主な原因としては、モデル構造が単純すぎること、入力する特徴量が不足していること、学習時間が不足していることなどが挙げられます。過小適合を解消するためには、モデルのパラメーター数を増やして表現力を高める、適切な特徴量を追加する、または正則化の強度を緩めるなどのアプローチが有効です。
具体例・使われ方
例えば、複雑な曲線を描く売上データの変動に対して、直線でしか表現できない単純なモデルを適用するケースが過小適合の典型例です。過去の訓練データに対しても大きな誤差が残り、将来予測の精度も低くなります。
似た用語との違い
過小適合と対照的な現象が過学習です。過小適合はモデルが単純すぎて訓練データのパターンすら学べていない状態ですが、過学習はモデルが複雑すぎて訓練データに過度に適応し、未知のデータに対する予測性能が落ちる状態を指します。
注意点
過小適合を解消しようとモデルを複雑にしすぎると、逆に過学習が発生するリスクが生じます。モデルの表現力と汎用性の間にはトレードオフが存在するため、評価指標を確認しながら段階的に調整することが重要です。