【G検定・ITパス】過学習より前に気付くべき！「未学習」の超基本を1分図解！

「AIの失敗パターン『未学習』ってどういう状態？」

「データを学習させればAIは賢くなるんじゃないの？」

「よく聞く『過学習』とは何が違う？」

機械学習（AI）のモデルを育てるうえで、前回の「過学習」と並んで必ず立ちはだかる大きな壁が「未学習（アンダーフィッティング）」です。

最大の特徴は、一言でいうと「勉強不足で基本さえ分からない状態」のこと。AIに与えたデータが少なすぎたり、AIの頭脳（数式）が単純すぎたりするせいが原因です。データが持つ大切な特徴や基本ルールすら見つけられず、本番のテストはもちろん、手元の練習データですらボロボロに外してしまう困った現象です。

この記事では、過学習のライバルでありAI開発のスタートラインで絶対につまずいてはならない最重要キーワード「未学習」の仕組みと特徴を、5枚の図解構成に合わせて分かりやすく解説します！

1.【直感編】未学習とは？一言でいうと「勉強不足で基本さえ分からない状態」

まずは、未学習（みがくしゅう）がどのようなものなのか、直感的なイメージから掴みましょう。

未学習とは、一言でいうと「勉強不足で基本さえ分からない状態」です。

テスト用紙（データ）を前にした受験生ロボットをイメージしてください。教科書を最初の方しか読んでおらず、簡単な足し算や引き算の問題（基本的なパターン）が出されているにもかかわらず、鉛筆を握ったまま「解き方が分からない！」と頭の上にハテナマークを大量に浮かべて座り込んでしまっています。

💡 【ワンポイント】

データが足りずに

予測の基本ルールすら

見つけられない！

2.【位置づけ】AIが陥る代表的な失敗パターン！機械学習におけるマッピング

次に、未学習がデジタル技術の中でどのような位置づけにあるのか、全体マップを見てみましょう。

未学習は、前回の「過学習」と同じく、機械学習モデルを訓練するなかで避けては通れない「AIが陥る代表的な失敗パターン（機械学習の課題）」として位置づけられています。

AIの勉強時間が圧倒的に足りないときや、複雑な現実のデータを無理やりシンプルな数式で片付けようとしたときに発生します。本番の応用テストはもちろん、手元の練習データ（訓練データ）ですら予測が外れてしまう、AIとして機能していない初期段階の状態です。

💡 【ワンポイント】

本番はもちろん

練習データですら

予測が外れる状態！

3.【理論編】どうやって動く？単純すぎて特徴を捉えきれない3つのステップ

未学習が起きてしまう本質的な原因は、「モデルが単純すぎて特徴を捉えきれない」という点にあります。データの持つ複雑さを表現しきれていないため、以下の3つのステップで全体的な大ハズレを引き起こします。

ステップ1：少なすぎる練習ロボットがほんの数個だけのスカスカなデータ点を見つめながら、数回の練習をしただけで「よし、もう勉強は終わり！」と早々にノートを閉じてしまいます。
ステップ2：単純すぎる予測線本来は細かく波打つ複雑なデータの傾向（2次関数的なカーブなど）があるのにもかかわらず、予測線を引くロボットが「ただのまっすぐな一本の棒」を雑に引いて満足してしまいます。
ステップ3：全体でハズレるその結果、手元の練習データに対しても、新しく投入された本番の応用データに対しても、単純すぎる直線のせいで数値が大幅にズレてしまい、みんなが首を傾げることになります。

💡 【ワンポイント】

モデルが単純すぎて

データの持つ複雑さを

表現しきれていない！

4.【比較編】何が違う？勉強不足の「未学習」vs 覚えすぎの「過学習」

試験や実務の現場で、必ずといっていいほど比較されるのが「過学習」です。この2つの決定的な違いを綺麗に整理しておきましょう。

一言でいうと、その違いは「勉強不足か？丸暗記しすぎか？」にあります。

項目	未学習	過学習
練習度	勉強不足	覚えすぎ
練習点	赤点レベル	満点取る
対策は	要素を増やす / 複雑にする	データを削る / 正則化

未学習は、教科書を数ページしか開いておらず、簡単な基礎問題さえ解けずにボーッとしている「勉強不足ロボット」です。練習段階ですら赤点レベルなので、もっとAIの要素（パラメータ）を増やしたり、学習回数を増やして鍛える必要があります。一方で過学習は、過去問をボロボロになるまで解いて完璧に暗記したせいで、少しだけ形が変わった応用問題に対応できず大慌てしている「頭の固いロボット」です。練習では満点なのに本番で爆死するため、こちらは逆にデータを削ったり、正則化でなだめる必要があります。

💡 【ワンポイント】

未学習 ➡ 基本ができない！

過学習 ➡ 応用が利かない！

5.【まとめ】これだけは押さえよう！未学習の本質と身近な代表例

最後に、今回学んだ未学習の要点を振り返りましょう。

まずはここだけ絶対に押さえておけば完璧です！

AIの開発初期や、データの準備が十分にできていない現場では、以下のような「AIの表現力が圧倒的に足りていない」失敗シーンとして、未学習の代表例が見られます。

直線での予測： アップダウンの激しい複雑な株価の動きや需要の変動に対して、単純な右肩上がりの直線を1本だけ引き、全く予測が当たっていないスカスカなAI。
特徴の不足： りんごの特徴を「丸いもの」というたった1つの条件だけで判断しようとしたため、ボールやトマト、すいかまで全て「これはりんごです」と言い張ってしまう視野の狭いAI。
短い訓練： 数秒しかデータを見せていない（学習回数が少なすぎる）ため、犬と猫の写真をどちらも見せても「ただの4本足の動物」としか識別できない不器用なAI。

💡 【ワンポイント】

未学習とは「訓練データを十分に学習できず、データの特徴を推論できない現象」

未学習の本質は、AIに与えた知識（データやパラメータ）が少なすぎる、またはシンプルすぎるせいで、データの背景にある本当のルールを何ひとつ掴めていない点にあります。試験対策としては、「過学習とは違い、訓練データにおける正解率すら極めて低い状態であること」、そしてそれを解決するためには「学習回数を増やす」「モデルの複雑さ（次元や要素）を高める」といったアプローチが必要であることをしっかりと頭に入れておきましょう！