1．基本を理解
読み方・用語解説- 読み方
- みがくしゅう
- 英語名
- Underfitting
- 提唱者・年代
- 機械学習の古典テーマ（過学習と対になる）
💡 豆知識——“under＝不足”——“フィットが足りない”。モデルが“鈍く、単純すぎる”状態。
【セットで覚えたい関連用語】
過
過学習対極——「何でも暗記する」状態。バ
バイアスモデルの単純さ由来の誤差。バ
バイアス・バリアンス・トレードオフ単純さと複雑さのバランス。2．意味（定義）と例え話
一言で言うと？
モデルが単純すぎて、訓練誤差と汎化誤差の両方が大きい状態。
背景・歴史的流れ
過学習と対になる古典テーマ。モデルが単純すぎると、学習データのパターン自体を捉えられず、訓練誤差も汎化誤差も大きくなる。
身近な例え話
ジェットコースターの曲線を“定規（まっすぐな棒）”で表現しようとしている——“起伏がつかめない、鈍さ”。
AIとの関係
バイアス（単純さの誤差）が大きい状態。対策は、層・パラメータを増やす、特徴量を増やすなど。
おすすめの活用法・注目ポイント
「訓練誤差＋汎化誤差の両方が大きい／モデルが単純すぎる」が鉄板。過学習と区別して。
3．直前に理解（Q&A）
7問Q1. 未学習とは？最頻出
モデルが単純すぎて、訓練誤差と汎化誤差の両方が大きい状態。
Q2. 特徴は？最頻出
訓練データ自体を学べていない（訓練誤差も汎化誤差も大きい）。
Q3. 反対は？最頻出
過学習——訓練データは学べるが、未知データに汎化できない。
Q4. 「訓練誤差が低ければ問題なし」は正しい？ひっかけ
違う。未学習は訓練誤差も“高い”。両方見ることが大事。
Q5. 原因は？頻出
モデルが単純すぎる（容量不足）。
Q6. 対策は？頻出
モデルを大きく（パラメータ・層・特徴量の増加）。
Q7. 位置づけは？親と子
モデル評価（バイアス）⊃未学習。
4. まとめ
未学習＝モデルが単純すぎて、訓練誤差と汎化誤差の両方が大きい状態。