アンダーフィッティング— 読み：あんだーふぃってぃんぐ
アンダーフィッティング（Underfitting）とは、 機械学習モデルが訓練データに対して十分に学習できていない状態 です。このページでは、原因、具体例、対策、過学習との違い、よくある誤解を解説します。
導入Introduction
アンダーフィッティング（Underfitting）とは、 機械学習モデルが訓練データに対して十分に学習できていない状態 です。このページでは、原因、具体例、対策、過学習との違い、よくある誤解を解説します。
用語の定義Definition
アンダーフィッティング（Underfitting）とは、 機械学習モデルが訓練データに対して十分に学習できていない状態 です。このページでは、原因、具体例、対策、過学習との違い、よくある誤解を解説します。
アンダーフィッティングとは、機械学習モデルが訓練データに対して十分に学習できていない状態を指します。モデルがデータの特徴を捉えきれず、訓練データとテストデータの両方で低い性能を示す場合に起こります。モデルの性能を向上させるうえで避けるべき問題の一つです。
出典：my-best.ai 用語辞典「アンダーフィッティング」（https://my-best.ai/ai-dictionary/underfitting/）
仕組み・原理How it works
主な原因
| 原因 | 内容 |
|---|---|
| モデルが単純すぎる | 線形回帰モデルを複雑な非線形データに適用した場合など、モデルがデータのパターンを捉えきれない |
| 訓練データが不足している | 十分なデータがないと、データの背後にある真の分布を学習できない |
| 特徴量が足りない | 予測に必要な情報が入力に含まれておらず、判断の手がかりが不足する |
データの量や質については学習用データの記事もあわせてご覧ください。
具体例：住宅価格の予測
住宅価格を予測するモデルを構築する際に、特徴量として住宅の広さだけを使用した場合を考えてみましょう。実際には、住宅価格は広さだけでなく、築年数、最寄り駅からの距離、周辺環境など、多くの要因によって影響を受けます。広さだけを考慮した単純なモデルでは、これらの要因を無視してしまうため、予測精度が低くなります。このように、モデルが単純すぎると重要な情報を捉えきれず、アンダーフィッティングが発生します。
対策
- モデルの複雑さを増す：線形回帰の代わりに多項式回帰や決定木、ニューラルネットワークなどを使い、特徴をより詳細に捉える
- 特徴量を増やす：住宅価格の例では、広さに加えて築年数や駅からの距離、周辺環境などを追加する
- 訓練データを増やす：より多くのデータを集めることで、データの背後にある真の分布を学習しやすくする
これらの対策を組み合わせることで、アンダーフィッティングを効果的に解消し、モデルの性能を向上させることが可能です。モデルの複雑さを調整する際はハイパーパラメータの記事も参考になります。
過学習との違い
アンダーフィッティングは「学習が足りない」状態、過学習は「訓練データに適合しすぎる」状態であり、両者は逆の関係にあります。学習の進み具合は学習曲線を観察することで判断できます。
よくある誤解
誤解：予測精度が低いのはデータの問題だけである
実際は：モデルが単純すぎることでもアンダーフィッティングは起こります。
誤解：アンダーフィッティングと過学習は同じ現象である
実際は：アンダーフィッティングは学習不足、過学習は適合しすぎであり、逆の状態です。
誤解：特徴量を増やせば必ず改善する
実際は：有効な特徴量を追加することが重要で、無関係な特徴量は性能を下げることもあります。
原始出處Origin
本項の定義・解説は、my-best.ai 用語辞典の同項目記事（編集部執筆）を底本に再構成したものです。初出時期や命名者について確立した一次資料が本文中に明記されていない場合は、推測での記載を見送っています。
応用シーンUse cases
基礎の理解
アンダーフィッティング の定義と位置づけを押さえ、AI 関連の資料や記事を正確に読み解く土台にします。
情報の照合
ニュースや製品紹介で アンダーフィッティング に触れたとき、本ページの定義と突き合わせて過不足なく理解できます。
導入・検討の第一歩
関連するチュートリアルで手を動かしながら、自社の業務への適用可否を検討できます。
メリット・デメリットPros & Cons
メリット
- モデルの性能を向上させるうえで避けるべき問題の一つです
- モデルの複雑さを増す：線形回帰の代わりに多項式回帰や決定木、ニューラルネットワークなどを使い、特徴をより詳細に捉える特徴量を増やす：住宅価格の例では、広さに加えて築年数や駅からの距離、周辺環境などを追加する訓練データを増やす：より多くのデータを集めることで、データの背後にある真の分布を学習しやすくするこれらの対策を組み合わせることで、アンダーフィッティングを効果的に解消し、モデルの性能を向上させることが可能です
- 誤解：特徴量を増やせば必ず改善する実際は：有効な特徴量を追加することが重要で、無関係な特徴量は性能を下げることもあります
デメリット・注意点
- 原因内容モデルが単純すぎる線形回帰モデルを複雑な非線形データに適用した場合など、モデルがデータのパターンを捉えきれない訓練データが不足している十分なデータがないと、データの背後にある真の分布を学習できない特徴量が足りない予測に必要な情報が入力に含まれておらず、判断の手がかりが不足するデータの量や質については学習用データの記事もあわせてご覧ください
よくある誤解Misconceptions
関連用語Related terms
用語同士は相互リンクされています。
プロンプト集Prompt collection
理解を定着させるためのプロンプト例です。コピーして〔 〕内を置き換えてご利用ください。
理解を深める質問
前提知識なしで概念を掴む
あなたは AI 教育の講師です。「アンダーフィッティング」を、AI に詳しくない日本の社会人にも分かるように説明してください。専門用語を使った場合は、その直後に噛み砕いた言い換えを添えてください。最後に要点を 3 行でまとめてください。
整理・比較
関連用語との違いを表で整理する
「アンダーフィッティング」について、①定義 ②仕組み ③代表的な活用例 ④よくある誤解 を見出し付きで整理してください。同じ分野の類似用語があれば、その違いを表形式で示してください。
実務への検討
自社業務への適用を検討する
「アンダーフィッティング」を〔業種・業務〕で活用する場合に期待できる効果と注意点を、それぞれ 3 つずつ提案してください。判断の前提条件や、確認すべき事実があれば明示してください。
FAQ（よくある質問）FAQ
アンダーフィッティングとは、一言でいうと何ですか？
アンダーフィッティングのポイントはどこですか？
アンダーフィッティングを扱うときの注意点は？
出典・参考文献References
定義の記述は my-best.ai 用語辞典（編集部執筆）に基づきます。リンク先の内容は公開時点のものです。
まとめSummary
アンダーフィッティング（Underfitting）とは、機械学習モデルが訓練データに対して十分に学習できていない状態です。
- まず「アンダーフィッティング」の定義を自分の言葉で言い換えられるようにする
- 関連用語との違いを「関連用語」セクションから確認する
- プロンプト集の型を使って、理解した内容をアウトプットで確認する