解説

過学習（オーバーフィッティング）とは、モデルが訓練データに過度に適合しすぎて、未知データに対する汎化性能が低下する状態です。訓練データでの精度は高いが、テストデータや実際のデータで精度が落ちることが特徴です。過学習の主な対策は「訓練データを増やす」「モデルを単純にする（正則化、ドロップアウト）」「汎化性能を高める」などです。選択肢bの「データ拡張（Data Augmentation）により訓練データを増やす」は有効な過学習対策です。元データに回転・反転・ノイズ追加などの加工を施してデータ量を増やすことで、モデルがより多様なパターンを学習し汎化性能が向上します。

なぜ他の選択肢は違うのか

選択肢 ア

訓練データをテストデータとして使うのは評価の汚染（リーク）であり、過学習の検出・解消には全く役立ちません。過学習かどうかを確認するには独立したテストデータが必要です。

選択肢 ウ

モデルをより複雑にすることは過学習をさらに悪化させます。過学習の原因の一つがモデルの過度な複雑さであり、対策としては逆にモデルを単純化すべきです。

選択肢 エ

汎化性能を「下げる」のは過学習対策として完全に逆効果です。過学習の解消目標は汎化性能を「上げる」ことであり、下げることは意味がありません。

解くときのポイント

過学習対策の3本柱：①データを増やす（Data Augmentation含む）②モデルを単純化（正則化・ドロップアウト）③早期停止（Early Stopping）。「複雑化」「汎化性能を下げる」は逆。