解説

機械学習における過学習（Overfitting）とは、モデルが訓練データに過度に適合してしまい、訓練データには高い精度を示す一方で、未知の新しいデータ（テストデータや実データ）に対しては精度が低下する現象。直感的には「丸暗記して本質を学べていない状態」。原因としてはモデルが複雑すぎる、訓練データが少なすぎるなどが挙げられる。対策にはドロップアウト・正則化・データ拡張・交差検証などがある。選択肢bの「学習に使った訓練データに対しては精度が高い結果となる一方で、未知のデータに対しては精度が下がる」が過学習の正確な説明。

なぜ他の選択肢は違うのか

選択肢 ア

「ある領域で学習した学習済みモデルを別の領域に再利用して効率的に学習させる」は転移学習（Transfer Learning）の説明。

選択肢 ウ

「期待している結果とは掛け離れている場合に結果側から逆方向に学習させてその差を少なくする」は誤差逆伝播法（バックプロパゲーション）の説明。

選択肢 エ

「成功と判断するための報酬を与えることによって何が成功か分かるようにする」は強化学習（Reinforcement Learning）の説明。報酬関数を設計して行動を学習させる手法。

解くときのポイント

過学習＝「訓練データに特化しすぎて汎化性能が低い」。汎化性能が高いモデル作りのための技術：ドロップアウト・L1/L2正則化・データオーグメンテーション・早期終了。転移学習・強化学習・バックプロパゲーションと区別して覚える。