アンダーフィッティング
Underfitting
AIがデータのパターンを十分に学習できず、予測の精度が低いままになっている状態。
簡単に説明すると
アンダーフィッティングっていうのは、AIが練習不足でデータの特徴をしっかり覚えられていない状態のことだよ。 学習データの量が足りなかったり、AIの計算モデルがシンプルすぎたりするときに発生するんだ。 この状態になると、すでに持っているデータに対しても新しいデータに対しても、正しく予測や判断ができなくなってしまうよ。
名前のヒミツ
アンダーフィッティングは、英語で「不十分」を意味するunderと「適合させる」を意味するfittingを組み合わせた言葉だよ。 AIの学習が不十分でデータの特徴を捉えきれていない状態を表しているんだ。 日本語では「未学習」や「過小学習」とも呼ばれているよ。
くわしく見てみよう！
アンダーフィッティングとは、AIや機械学習において、モデルの学習が不十分でデータ全体のパターンや傾向を十分に捉えきれていない状態のことだよ。十分な練習をせずにテストに臨むような状態であり、データの特徴を正しく理解できていないため予測の精度が低いままになってしまうんだ。
主な原因としては、AIに読み込ませる学習データの絶対数が少なすぎることや、AIの計算モデルが扱う問題に対して単純すぎることが挙げられるよ。例えば、複雑に曲がりくねったデータの関係性を真っ直ぐな直線だけで強引に表そうとすると、全体の特徴から大きく外れてしまうようなイメージなんだ。
この状態になると、AIは学習に使った過去のデータに対しても、初めて見る新しいデータに対しても、正しく予測や分類をすることができなくなってしまうんだよ。解決するためには、学習データを十分に確保したり、モデルの構造をより複雑なパターンが扱えるものへ変更したりする調整が行われるんだ。
なお、データを丸暗記しすぎて応用が利かなくなる「オーバーフィッティング」とは対照的な現象として知られているよ。AIの開発現場では、この2つの問題が起こらないちょうど良い学習具合を目指してモデルの調整が進められているんだ。