ISTQB AI Tester シラバス Chapter 3 では、
機械学習（ML）モデルを構築するうえで非常に重要な2つのテーマ が登場します。
-
3.4 MLアルゴリズム選定に関わる要因
-
3.5 過学習（Overfitting）と未学習（Underfitting）
本記事では、
「なぜこのアルゴリズムを選ぶのか？」
「モデルがうまく動かない本当の理由は何か？」
を 実務・試験の両面 から、わかりやすく解説します。
1. MLアルゴリズム選定に「絶対的な正解」はない
まず大前提として重要なのは、
最適なMLアルゴリズムを一意に決める決定的なルールは存在しない
という点です。
-
アルゴリズムは一から作ることも可能
-
しかし実務では 既存ライブラリのアルゴリズムを選び、調整（チューニング）する のが一般的
その際、複数の要因を組み合わせて判断 します。
2. MLアルゴリズム選定に影響する主な要因（3.4）
① 必要とされる機能（Required Functionality）
まず最初に考えるべきは、
そのMLモデルに「何をさせたいのか」
です。
代表例：
-
分類（Classification）
例：犬か猫かを判別する
-
予測（Prediction / Regression）
例：売上や気温を予測する
-
クラスタリング（Clustering）
例：顧客を購買傾向ごとにグループ化する
👉 機能が違えば、選ぶべきアルゴリズムも根本的に変わります。
② 要求される品質特性（Quality Characteristics）
次に重要なのが 品質面の要求 です。
代表的な観点：
-
精度（Accuracy）
-
処理速度（Performance）
-
応答時間（Prediction Speed）
-
学習・再学習の速度
-
透明性・解釈性・説明可能性
具体例
-
「多少遅くても 高精度 を重視したい」
-
「多少精度が落ちても リアルタイム性 を優先したい」
👉 精度が高いモデルほど、処理が重くなる傾向 があるため、トレードオフの判断が必要です。
③ 利用可能なリソース（メモリ・計算能力）
特に 組み込みシステムやエッジAI では重要です。
-
利用可能なメモリ量
-
CPU / GPU の性能
-
同時処理数（トランザクション数）
👉 高性能なアルゴリズムでも、
ハードウェア制約を超えると実装できません。
④ 学習データの種類（Type of Data）
アルゴリズムによって扱えるデータは異なります。
-
画像データ向き
-
テキストデータ向き
-
数値データ向き
例：
-
画像分類に特化したアルゴリズムでは、
テキストデータが使えない 場合もあります。
⑤ データ量（Amount of Data）
-
学習データの量
-
テストデータの量
ポイント：
-
データが少ないと 過学習しやすい
-
データが多すぎると 学習時間・計算コストが増大
👉 アルゴリズムによって「大量データ向き」「少量データ向き」があります。
⑥ 入力特徴量（Number of Features）
特徴量（Feature）とは、モデルが判断材料として使う要素です。
例：動物分類モデル
-
分類：犬 / 猫
-
犬のクラス：
ポメラニアン、ハスキー、ブルドッグ など
👉 特徴量が増えるほど精度は向上しやすいが、学習は難しくなる
⑦ クラス数（Number of Classes）
-
2クラス分類向きのアルゴリズム
-
多クラス分類に弱いアルゴリズム
例：
-
犬と猫を同時に扱えず、
「小さい犬」「大きい犬」と誤分類してしまうケース
⑧ 過去の経験と試行錯誤（Experience / Trial & Error）
最後は 実務的な要因 です。
-
過去に成功したアルゴリズム
-
実験的に複数を試すアプローチ
👉 経験と試行錯誤も、立派な判断材料 です。
3. 過学習（Overfitting）とは何か（3.5）
■ 定義
過学習（Overfitting） とは、
学習データに過度に適合しすぎて、新しいデータに対して正しく予測できなくなる状態
■ 特徴
-
学習データでは高精度
-
未知データでは精度が急落
■ 原因
-
ノイズや外れ値まで学習してしまう
-
学習データが少ない
-
モデルが複雑すぎる
イメージ例
-
すべてのデータ点に無理やり合わせようとして、
汎用性を失う
4. 未学習（Underfitting）とは何か
■ 定義
未学習（Underfitting） とは、
モデルが単純すぎて、学習データの傾向すら捉えられていない状態
■ 特徴
-
学習データでも精度が低い
-
新しいデータでも精度が低い
■ 原因
-
学習データが少なすぎる
-
重要な特徴量が含まれていない
-
モデルが単純すぎる
具体例
-
犬の画像を 5〜10枚だけ 学習
-
実際には100種類以上の犬種が存在
-
→ 11枚目以降をまったく識別できない
5. 過学習・未学習のまとめ（重要）
|
状態 |
問題点 |
イメージ |
|---|---|---|
|
過学習 |
覚えすぎ |
詰め込み学習 |
|
未学習 |
学習不足 |
情報不足 |
👉 理想は「適度な学習」
過学習でも未学習でもない バランスの取れたモデル が重要です。
6. まとめ（試験対策ポイント）
-
MLアルゴリズム選定に絶対的ルールはない
-
機能・品質・データ・リソースを総合的に判断
-
過学習・未学習は データ量とモデル複雑度のバランス問題
-
ISTQB試験では 定義・原因・特徴の区別 が頻出
コメント