ある判定モデルは、学習に使ったデータに対してはほとんど誤らないのに、 学習に使っていない新しいデータで試すと誤りが目立つ。 このモデルに起きていることの説明として最も適切なものはどれか。

正解：イ

各選択肢の解説

1. アモデルが単純すぎて、学習に使ったデータの傾向そのものをとらえきれていない。

   誤り。これは未学習（学習不足）の状態で、過学習とは逆向きの問題です。 未学習では学習に使ったデータでも誤りが多く出ます。今回は学習データでは ほとんど誤っていないので当てはまりません。学習しすぎか不足かが分かれ目です。

2. イ学習に使ったデータの細かな特徴まで覚え込み、未知のデータに対応できなくなっている。

   正解。過学習の状態です。たまたまそのデータだけに含まれていた細かな癖まで 当てはめてしまうと、共通して使える傾向から離れてしまい、 本番で出会う未知のデータでは当たらなくなります。

3. ウ入力データに極端な値が少数混ざり、その値だけが判定結果を大きく動かしている。

   誤り。これは外れ値の影響についての説明です。極端な値は学習をゆがめる原因に なりますが、その場合は学習に使ったデータに対しても結果が安定しません。 学習時だけ好成績になる理由の説明にはなりません。

4. エ評価に学習と同じデータを使っており、未知のデータでの性能を確かめられていない。

   誤り。これは評価用データの分け方の誤りです。学習に使ったデータで評価すれば 成績はよくなりますが、問題文では学習に使っていないデータで試して差が出ています。 評価の手順自体は正しく踏めています。

理解を深めるために