AWS認定資格 WEB問題集＆徹底解説

会員登録/ログイン

A. モデルのパラメータ数を増加させる

パラメータ数を増やすとモデルの表現力（複雑さ）が上がり、訓練データのノイズまで再現できるようになります。
その結果、訓練データの精度だけが上がり未知データでの精度が下がる＝過学習が悪化します。
過学習対策はむしろモデルを単純化する方向であり、この選択肢は逆効果です。

正解

B. ドロップアウトを使用する

ドロップアウトは学習時にニューロンをランダムに一定割合で無効化する手法です。特定のニューロンの組み合わせに依存した「丸暗記」を防ぎ、複数の部分ネットワークを平均したような汎化性能の高いモデルが得られます。
ディープラーニングにおける代表的な正則化（過学習防止）手法であり、これが正解です。
ほかに L1 / L2 正則化、早期終了（Early Stopping）、データ拡張なども同じ目的で使われます。

C. 学習率を高く設定する

学習率は1 回の更新でパラメータをどれだけ動かすかを決めるハイパーパラメータで、収束の速さや安定性に影響します。
高くしすぎると損失が発散したり最適解を飛び越えたりして学習そのものが不安定になりますが、過学習を防ぐ手段ではありません。
「調整すれば何とかなりそう」に見えるだけで、汎化性能を直接高める仕組みを持たない点が誤りです。

D. トレーニングデータのサイズを小さくする

訓練データが少ないほどモデルは限られたサンプルを丸暗記しやすくなるため、データを減らすことは過学習を悪化させます。
正しい方向は逆で、データを増やす、またはデータ拡張（Data Augmentation）で水増しすることが有効な対策です。
「小さくする」という言葉に釣られないよう注意が必要です。

正解への思考ルート

問題文から要件を抽出し、選択肢の適否を判断するのがポイントです。

要件	判断ポイント
過学習＝訓練データに適合しすぎ、未知データで精度が落ちる状態	対策はモデルの複雑さを下げるかデータを増やすかの 2 方向 →選択肢（A・D）を消す
モデルのパラメータ数を増やす	表現力が上がりノイズまで学習する。過学習を助長する方向 →選択肢（A）を消す
学習率の設定	収束の速さ・安定性に効くハイパーパラメータで、汎化性能を直接高めるものではない →選択肢（C）を消す
ドロップアウト	学習時にニューロンをランダムに無効化する代表的な正則化手法。特定経路への依存を断ち汎化性能を上げる →選択肢（B）が正解

ひっかけポイント

• 選択肢 D「トレーニングデータのサイズを小さくする」は、データを減らすほど過学習しやすくなるため真逆。正しくは「増やす／データ拡張する」
• 「学習率を高くする」は学習の速さの話であり、過学習（汎化）の話とは軸が違う。ハイパーパラメータという言葉に引きずられない
• パラメータ数の増加は未学習（アンダーフィッティング）の対策。過学習と未学習で処方箋が正反対になる点が最頻出のひっかけ
• ドロップアウトを「推論時にも適用される」と誤解しないこと。無効化は学習時のみで、推論時は全ニューロンを使う

出題バリエーション

同じ知識が本番では条件を変えて出題されます。

問題文がこう変わったら	正解はこう変わる
「訓練データの精度は高いが検証データの精度が低い。何が起きているか」	過学習（オーバーフィッティング）そのものを答えさせる問題に変わる。
「訓練データでも検証データでも精度が低い」	未学習（アンダーフィッティング）となり、対策は「モデルを複雑にする／特徴量を増やす」に反転する。
「画像の学習データが不足している」	回転・反転などのデータ拡張（Data Augmentation）が正解軸に。
「学習を検証誤差が悪化した時点で打ち切りたい」	早期終了（Early Stopping）が正解に。これも過学習対策の一種。
「重みの大きさにペナルティを課したい」	L1 / L2 正則化が正解軸に。