汎化
更新日:
用語解説
汎化は、機械学習モデルが学習データの個別例を暗記するだけでなく、そこから有用な規則性を捉え、未見データにも適切な予測を行うことです。
■ 試験で押さえるポイント
訓練誤差が小さくても、検証・テスト誤差が大きければ汎化できていません。学習に使わないデータで性能を評価します。
モデルが複雑過ぎると雑音まで学ぶ過学習、単純過ぎると必要な規則も捉えない未学習となり、適切な複雑さを選びます。
正則化、交差検証、早期終了、データ拡張、特徴量選択、十分で代表性のあるデータによって汎化を促します。
■ 選択肢での判断ポイント
未知データにも学習結果を適用できる性質です。訓練データへの適合度だけを汎化と呼ばない点を押さえます。
例: 訓練正解率99%でも独立テストで70%なら暗記や偏りが疑われます。正則化強度等を検証データで選び、最後に未使用テストデータで評価します。