② 機械学習の概要 ／ 10. モデルの選択・評価
汎化性能とは
汎化性能とは、未知のデータに対しても高い性能を保つ能力のことです。機械学習が本当に目指しているのはこの能力であり、過学習の有無を判断する中心概念として重要です。
この用語はG検定シラバスの「10. モデルの選択・評価」に含まれます。 章全体の用語は用語解説②（全62語）にまとまっています。
一言でいうと
学習に使っていない新しいデータに対しても、きちんと当てられる能力のことです。
訓練データの精度は目的ではない
機械学習の目的は、まだ見ていないデータを正しく予測することです。手元の訓練データを完璧に当てられても、それ自体には価値がありません。
訓練データの精度だけを追いかけると、データに含まれるノイズや偶然のパターンまで覚えてしまい、過学習に陥ります。その結果、汎化性能はかえって下がります。
どうやって測るのか
汎化性能は、学習に使っていないデータで評価します。
また、モデルを複雑にしすぎないことも汎化に効きます。この考え方の背景にあるのがオッカムの剃刀です。
バイアスとバリアンス
汎化性能を下げる要因は、大きく2つに分解できます。
- バイアス：モデルが単純すぎて本質を捉えられない誤り（過少適合の方向）
- バリアンス：データのわずかな違いで結果が大きく変わる不安定さ（過学習の方向）
両者はトレードオフの関係にあり、バランスの取れた点を探すことが目標になります。
🎯 G検定での押さえどころ
- 未知データに対する性能のこと
- 訓練データの精度が高くても汎化性能が高いとは限らない
- 過学習とセットで理解する
⚠️ よくある誤りの選択肢
- 「訓練データでの正解率が高いほど汎化性能も高い」→ 誤り。過学習の可能性があります
- 「汎化性能は訓練データを使って評価できる」→ 誤り。未知データで評価します
📘 もっと深く学ぶ
- 数式レベルまで踏み込んだ解説 → 医療AIナビ「機械学習の課題」（E資格向け）
- 手を動かして確かめる → 過学習シミュレータ
関連する用語
ご利用にあたって 本ページの内容は、JDLAが公開しているG検定シラバス2024や公式テキストなど、一般に公開されている情報をもとに独自に整理・解説したものです。実際の試験の出題内容を示すものではなく、また合格を保証するものでもありません。制度・法令・試験要項は変更されることがあるため、最新の情報は必ずJDLA公式サイトでご確認ください。