アンダーフィッティング（Underfitting）

アンダーフィッティング（Underfitting）とは、機械学習モデルが学習データに対して十分に適合しておらず、精度の低い予測しかできない状態を指します。 モデルが単純すぎて、データの背後にある重要なパターンや構造を捉えきれていないことが原因で、訓練データでもテストデータでも性能が出ないのが特徴です。 たとえば、非線形の複雑な関係が存在するデータに対して、単純な線形モデル（直線）で予測を行おうとすると、アンダーフィッティングが発生します。 これは「学習不足」「過度な単純化」とも言え、モデルの表現力がタスクに対して不十分な場合に起こりやすくなります。 アンダーフィッティングが発生する主な原因： • モデルが単純すぎる（例：線形回帰で複雑な関係を予測） • 特徴量が不十分、または重要な情報が欠落している • 学習が不十分（エポック数が少ないなど） • 正則化が強すぎてモデルの自由度が制限されている この状態を回避・改善するための対策としては、以下が挙げられます： • より複雑なモデルを選択する（例：ニューラルネットワークなど） • 特徴量を増やす、またはエンジニアリングを工夫する • 学習時間（エポック数）を増やす • 正則化の強度を緩和する アンダーフィッティングは、モデルの性能が十分に発揮されていない状態であり、逆に過学習（オーバーフィッティング）と対比されます。 機械学習においては、この2つの極端な状態を避け、適切なバランスを取ること（汎化性能の最適化）が重要とされています。