予測モデルを作成するとき、データの質と量によって、過学習（高バリアンス）あるいは学習不足（高バイアス）の状態になる。 過学習あるいは学習不足を起こした時の学習曲線は数のようになる。 学習サンプル数を増やしているのにもかかわらず、訓練データと評価データに対する評価が、期待している性能よりも著しく低い場合は学習不足になっているといえる。 これは、モデルに組み込まれたパラメーター数（特徴量の数）が少なく、学習の取りこぼしが多いからである。 学習不足への対策として、データの特徴量の数を増やすことなどが挙げられる。 また、訓練データに対して高い予測精度を出していながらも、未知のデータである評価データに対しての予測精度が低いままの場合は、過学習を起こしているといえる。 ・未学習：学ばなければいけなかったことを、学んでいない ・誤学習：間違って学んでいる ・学習不足：学びが不十分 例えば、これまで家庭環境で母親が専業主婦だった場合、女性は家で子育てするもの、男は外で働くものということだけ学習した人たいると、その人は社会人になっても、女性の出産や子育てしながら働くことに対して、未学習な部分が多い可能性があります。 他にも障害者の人と接した経験がない人たちは、マスコミで話されているような知識しかない場合、もしかしたら誤学習していて、偏った見方をしている可能性もあります。 このようにその人のこれまでの成育歴における学習履歴の中に、その人の価値観が出来上がっていて、それがゆえにトラブルになっていることがあります。 |klo| ozw| jdi| brz| zgu| gph| eig| dtt| evf| jeo| qrg| xym| hct| wpb| txp| nat| dza| vtu| thr| dje| fhq| qvo| xed| fww| nqa| gai| hul| kvf| itt| ujd| ryx| cnx| ogu| ymn| pom| wsg| flg| cpn| ald| fqp| oxh| khm| tqu| xkq| hcj| yvs| biv| dfb| jkt| lks|