機械学習における過学習の解消方法

過学習（オーバーフィッティング）は、モデルが訓練データの特徴やノイズに過剰に適応し、未知のテストデータに対する予測精度（汎化性能）が低下する現象です。過学習を解消・抑制する方法としては、データ拡張（Data Augmentation）によって訓練データの量を増やす、モデルの複雑さを抑える（正則化や次元削減）、ドロップアウトの適用などが有効です。 ア：訓練データをテストデータとして使用すると正当な汎化性能の評価ができなくなります。 イ：正しい。データ拡張（画像反転やノイズ付加など）によって訓練データの量を増やすことで、モデルが多様なパターンを学習し過学習を抑制できます。 ウ：モデルをより複雑にするとパラメータ数が増加し、過学習がさらに悪化します。 エ：過学習の解消目的は汎化性能を「向上」させることであり、下げることではありません。

AIにおける機械学習の過程において，過学習と疑われたときの解消方法として，最も適切なものはどれか。

出典令和7年度 春期 高度情報処理技術者試験 午前Ⅰ
ア
訓練した時と同じ精度を出すために，訓練データをテストデータとして使用する。
イ
精度を高めるために，元の訓練データに加工を施し，訓練データの量を増やす。
ウ
予測した結果に近づけるために，モデルをより複雑にする。
エ
より多くの未知のデータに対して予測できるように，汎化性能を下げる。