アンダーフィッティング

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（意味・定義）

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。

主な原因

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。

FAQ（よくある質問）

Q. 過学習との違いは何ですか？

A. アンダーフィッティングは訓練データにも十分適合できない状態、過学習は訓練データに適合しすぎる状態です。

Q. 主な原因は何ですか？

A. モデルが単純すぎることと、訓練データが不足していることの2つが代表的です。

Q. どのような対策がありますか？

A. モデルの複雑さを上げる、有効な特徴量を増やす、訓練データを増やすことが有効です。

関連用語

• 過学習 — アンダーフィッティングと逆の状態
• 学習曲線 — 学習不足を判断する手がかり
• ハイパーパラメータ — モデルの複雑さを調整する設定値

用語の一覧はAI用語辞典トップからたどれます。実際のツール比較はAIツール一覧をご覧ください。

参考出典

• Google Cloud「生成 AI の用語集」: docs.cloud.google.com
• Salesforce「AI用語虎の巻」: salesforce.com