令和7年度 春期 応用情報技術者試験 午前 問3
テクノロジAI・データ活用
この問題は2025(R7)春 応用情報技術者 午前に出題されたものです。出題時点の法令・制度に基づく内容のため、現行の内容と一致しない場合があります。
本ページの問題文・選択肢は、原本の体裁を Web 表示用に正規化しています（改行・記号・数式・図表参照の調整）。設問の趣旨および正解に影響する変更は加えていません。
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。
解答・解説を読む
正解: 選択肢イ
機械学習における 過学習（オーバーフィッティング） とは、モデルが訓練データに適合しすぎてしまい、未知のデータ（テストデータ）に対する予測性能である 汎化性能 が低下する現象を指します。
過学習の代表的な解消方法には、以下のようなものがあります。
- 訓練データの量を増やす（データの水増し・データ拡張）
- モデルの表現力を抑えてシンプルにする（パラメータ数を減らす）
- 正則化（L1正則化、L2正則化）を適用する
- ドロップアウトなどの手法を用いる
選択肢のなかでは、元の訓練データに加工を施してデータ量を増やす方法（データ拡張）が過学習の解消として適切です。
各選択肢の解説
- ア：不適切
訓練データをテストデータとして使用してしまうと、未知のデータに対する予測性能（汎化性能）を正しく評価できなくなり、過学習の発見や解消にはつながりません。 - イ：適切
データに加工を施してデータを増やす データ拡張（Data Augmentation） は、モデルが多様なパターンを学習できるようになるため、過学習の抑制に有効です。 - ウ：不適切
モデルをより複雑にすると、訓練データの細かなノイズまで学習しやすくなり、さらに過学習を助長させてしまいます。過学習を防ぐためには、逆にモデルをシンプルにする必要があります。 - エ：不適切
「未知のデータに対して予測できるようにする」こと自体が 汎化性能を上げる（高める） ことを意味します。「汎化性能を下げる」という記述は誤りです。