AIエンジニアの面接対策
「過学習をどう見抜き、どう防ぎますか」|機械学習エンジニアの面接対策
更新日 2026年11月16日 / 書いた人 上田 英介(ジンベイ株式会社 代表取締役/職業紹介責任者)
「過学習とは何ですか。どう防ぎますか」は、機械学習エンジニアやデータサイエンティストの面接で、ほぼ必ず聞かれる質問です。定義を答えるだけなら簡単ですが、面接官が知りたいのはその先です。実際のプロジェクトで過学習に気づき、原因を切り分け、直した経験があるかを見ています。
この記事では、よく聞かれる質問の形、答えの骨組み、深掘りで聞かれやすい論点、よくある失敗、実務の経験の話し方の順に解説します。
よく聞かれる質問
聞かれ方は会社によって違いますが、だいたい次のどれかです。
- 過学習とは何ですか。どうやって気づきますか
- 学習データでの精度は高いのに、検証データでは低いです。何を疑いますか
- 正則化にはどんな方法がありますか。それぞれ何をしていますか
- 検証データでは良かったのに、本番で精度が落ちました。過学習でしょうか
- 交差検証はどんなときに使いますか。使ってはいけない場面はありますか
最後の2つは、単なる知識ではなく、実務の判断を問う質問です。ここで答えに詰まる人が多いです。
答えの骨組み
最初の質問には、次の3段で答えると整理しやすいです。
- 定義:学習データの偶然のくせ(ノイズ)まで覚えてしまい、新しいデータでの性能が落ちる状態
- 見抜き方:学習データと検証データの誤差を並べて見る。学習の誤差は下がり続けるのに、検証の誤差が途中から上がる、または差が開き続けるなら過学習を疑う
- 防ぎ方:データを増やす、モデルを単純にする、正則化する、早めに学習を止める、の4つの方向がある
防ぎ方は、方向ごとに具体策を1〜2個ずつ挙げられると十分です。
| 方向 | 具体策の例 |
|---|---|
| データを増やす | データを集め直す、データ拡張(画像の回転・切り抜きなど) |
| モデルを単純にする | 特徴量を減らす、木の深さを浅くする、層やパラメータを減らす |
| 正則化する | L1・L2 正則化、ドロップアウト、重み減衰(weight decay) |
| 学習を早めに止める | 検証の誤差が改善しなくなったら止める(early stopping) |
L1 と L2 の違いを聞かれたら、L1 は重みの一部をちょうど0にするので特徴量の選択にも使える、L2 は重みを全体的に小さくする、と答えます。
深掘りの質問と答え方
「学習曲線を見て、過学習か学習不足かをどう判断しますか」
横軸に学習データの量(またはエポック数)、縦軸に誤差をとった図で説明します。
- 学習の誤差も検証の誤差も高いまま:学習不足。モデルを大きくする、特徴量を足す
- 学習の誤差は低いが、検証の誤差との差が大きい:過学習。データを増やすか、モデルを抑える
- データを増やすと差が縮んでいく:データを増やす価値がある
「データを増やせば良くなるか」を学習曲線で判断できる、と言えると実務に近い答えになります。データを集めるのには費用がかかるので、その判断ができる人は評価されます。
「検証では良かったのに、本番で精度が落ちました」
ここで「過学習です」と即答するのは避けます。原因の候補は複数あります。
- データの漏れ(リーク):検証データの情報が学習に混ざっていた。例えば、同じ顧客のデータが学習と検証の両方に入っている、未来の情報を使った特徴量がある、データ全体で標準化してから分割した
- 分け方が本番と合っていない:時系列のデータをランダムに分けた
- 検証データを何度も見すぎた:ハイパーパラメータを検証の結果を見ながら何十回も調整し、検証データに合わせ込んでしまった
- 本番のデータの分布が変わった:これは過学習ではなくドリフト(モデルの劣化への対処を参照)
- 学習時と推論時で特徴量の作り方が違う(学習時と推論時のずれを参照)
この切り分けを順に話せると、面接官の評価は大きく上がります。
「交差検証を使ってはいけない場面はありますか」
時系列のデータでは、ランダムに分ける k 分割交差検証を使うと、未来のデータで学習して過去を予測することになり、精度を高く見積もってしまいます。時間の順に、学習期間を延ばしながら次の期間を検証する方法(時系列の分割)を使います。
また、同じ人や同じ機械から複数のデータが取れる場合は、人や機械の単位で分けます(グループ単位の分割)。そうしないと、同じ人のくせを覚えただけで精度が高く出ます。
「ハイパーパラメータの調整で、過学習しないためには」
学習・検証・テストの3つに分け、テストデータは最後に1回だけ使う、と答えます。データが少ないときは、内側で調整し外側で評価する二重の交差検証(nested cross-validation)を挙げられると良いです。
「大きなモデルほど過学習しやすいのでは」
深層学習では、パラメータ数がデータ数より多くても、検証の性能が良いことがよくあります。正則化、データ拡張、学習の止め方の組み合わせで抑えているためです。「パラメータが多い=必ず過学習」とは言い切らず、検証の結果で判断すると答えるのが安全です。
よくある失敗
書き換える前 過学習を防ぐには、ドロップアウトや L2 正則化を使います。
手法の名前を並べるだけで、どう気づいたか、どう効果を確かめたかがありません。
書き換えた後 まず学習と検証の誤差を並べて見て、差が開き続けているかを確かめます。差が開いているなら、データを増やせるか、特徴量に未来の情報が混ざっていないかを先に確かめます。そのうえで正則化を強めて、検証の誤差が下がるかを見ます。
ほかにもよくある失敗は、次のとおりです。
- テストデータの結果を見てモデルを選び直してしまい、それを最終の性能として報告する
- 標準化や欠損値の補完を、データを分ける前に全体で行ってしまう
- 検証データが数十件しかないのに、小数点以下の精度の差で優劣を決める
実務の経験の話し方
経験を話すときは、「何が起きたか → どう気づいたか → 原因 → 直したこと → 結果」の順で話します。
需要予測のモデルで、検証の誤差は小さいのに本番で外れることが続きました。特徴量を1つずつ確かめたところ、集計の締め日の関係で、予測時点ではまだ確定していない売上を使っていました。予測時点で手に入る情報だけで特徴量を作り直し、検証も時系列の分割に変えたところ、検証の精度は下がりましたが、本番との差はほぼなくなりました。
この例のように、「検証の精度は下がったが、正しく測れるようになった」という話は、面接官に好まれます。数字を良く見せることより、正しく測ることを優先できる人だと伝わるからです。
経験がまだ少ない人は、Kaggle などのコンペで、公開のスコアと最終のスコアの差(いわゆる shake)を経験した話でもかまいません。何を疑い、検証の方法をどう変えたかまで話せれば十分です。
まとめ
- 定義、見抜き方、防ぎ方の3段で答える。防ぎ方は4つの方向で整理する
- 「本番で精度が落ちた」には、データの漏れ、分け方、検証データへの合わせ込み、ドリフトを順に疑う
- 時系列やグループのあるデータでは、分け方そのものが過学習の対策になる
- 経験は「どう気づき、何を直し、どう確かめたか」で話す
面接で話す経験の選び方や、職務経歴書への書き方に迷ったら、ジンベイ AIタレントに相談してください。
