機械学習における過学習（オーバーフィッティング）の特徴

過学習 （Overfitting: オーバフィッティング）とは、機械学習モデルの表現力が高すぎたり訓練データの量が不足していたりすることで、モデルが訓練データ特有のノイズや微細な特徴に過剰に適応してしまい、未知のテストデータに対する予測精度（汎化性能）が低下してしまう現象を指します。したがって、 イ が正解です。 ある領域で学習したモデルのパラメータや知識を別の関連領域に再利用する「転移学習（Transfer Learning）」の説明です。 出力値と正解値の誤差をネットワークの逆方向に伝播させて重みを更新する「誤差逆伝播法（バックプロパゲーション）」の説明です。 試行錯誤を通じて得られる報酬（ペナルティ）を最大化するように方策を学習する「強化学習（Reinforcement Learning）」の説明です。

AIにおける過学習の説明として，最も適切なものはどれか。

出典令和4年度 秋期 応用情報技術者試験 午前 問4
ア
ある領域で学習した学習済みモデルを，別の領域に再利用することによって，効率的に学習させる。
イ
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。
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。
エ
膨大な訓練データを学習させても効果が得られない場合に，学習目標として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。