訓練データ (G検定)

1. 定義と概要

訓練データ（training data）とは、機械学習モデルが持つパラメータ（重みやバイアスなど、学習によって調整される数値）を実際に学習させるために使用するデータの集合です。教師あり学習（入力データと正解のペアを使ってモデルを学習させる方式）では、入力データと正解ラベルのペアで構成されます。

モデルはこのペアを繰り返し処理しながら、予測値と正解のずれである誤差（訓練誤差）を小さくする方向にパラメータを更新していきます。たとえば犬と猫の画像を見分ける分類モデル（データをあらかじめ決めたカテゴリに振り分けるモデル）であれば、大量の犬・猫の画像とその正解ラベルの組み合わせが訓練データにあたります。

手元にあるデータをすべて学習に投入するだけでは、モデルが未知のデータにどれだけ通用するかを確認できません。そこでデータセットを訓練データ・検証データ（学習中の調整に使うデータ）・テストデータ（最終評価に使うデータ）の3つに分割し、学習に使うデータと評価に使うデータを分ける手順が標準的な進め方として定着しました。

分割の比率にはたとえば6対2対2や8対1対1といった目安があり、手元のデータ量が少ない場合には交差検証（データの分け方を変えながら学習と評価を複数回繰り返し、性能を確かめる手法）と呼ばれる別の手法との使い分けも論点になります。

2. 試験対策ポイント

まず重要になるのは、訓練データ・検証データ・テストデータという3つのデータの役割分担です。どの段階でどのデータを使うのかを並べると、次のように整理できます。

データの区分	使う場面	担う役割
訓練データ	学習の過程	モデルのパラメータ（重み・バイアス）の学習
検証データ（学習中に調整や早期終了の判断に使うデータ）	学習の途中	ハイパーパラメータ（学習率など、人があらかじめ設定する値）の調整やモデル選択
テストデータ（学習完了後の評価にだけ使うデータ）	学習がすべて終わったあと	最終評価

訓練データの役割はパラメータの学習に限られ、ハイパーパラメータの調整にも最終評価にも踏み込みません。この分担が、3つのデータを区別する基本の軸になります。

訓練データに対する予測の誤差は訓練誤差と呼ばれ、学習が進むほど小さくなる性質があります。訓練誤差が小さいことだけを根拠にモデルの性能を判断すると、訓練データに過剰に適合し未知のデータへの対応力が落ちる過学習を見抜けません。訓練誤差の小ささは、必ずしも汎化性能（未知のデータに対してどれだけ正しく予測できるかという能力）の高さを意味するわけではありません。

訓練データの量と質は、モデルの精度と汎化性能を左右します。量が不足すると、データの背後にあるパターンを十分に学習できない未学習（アンダーフィッティング。モデルがデータのパターンを十分に学習できていない状態）に陥りやすくなります。質、つまりラベルの正確さや偏りのなさが低い場合も、モデルの判断に偏りが生じやすくなります。

この量と質を補う手段として、データ拡張（手持ちのデータに変換を加えて水増しする手法）やデータクレンジング（データの誤りや欠損、重複を取り除いて整える作業）が関連づけて整理されます。また、訓練データと実際の運用データの分布が異なる場合、訓練データ上で精度が良くても実運用では性能が出ないことがある点も、モデル運用の論点として扱われます。

3. 関連概念との比較・相違点

検証データとの最大の違いは、パラメータの学習に直接関わるかどうかという点にあります。訓練データはパラメータの学習そのものに使うデータであるのに対し、検証データは学習中のハイパーパラメータ調整や早期終了の判断に使うデータで、パラメータの学習には直接使いません。訓練データで学習を進めながら、検証データでモデルの調子を確認するという役割分担にあります。

テストデータとの最大の違いは、使うタイミングにあります。訓練データは学習の過程で繰り返し使うデータですが、テストデータは学習がすべて完了したあとの最終評価にのみ使い、学習プロセスには一切関与させません。

訓練データ・検証データ・テストデータの3つは、学習から評価までの各段階でそれぞれ異なる役目を担うデータという関係にあります。この位置づけの違いを押さえておくと、3データの名前を混同しにくくなります。

4. ビジネス・実務での活用シナリオ

製造業の外観検査では、過去に撮影した良品・不良品の画像を訓練データとして分類モデルを学習させ、検査の自動化を進める取り組みが広がっています。訓練データに含まれる不良パターンの網羅性が、そのまま検出精度を左右します。あらゆる不良の種類を訓練データに含めておかなければ、想定外の欠陥を見逃す原因になります。

金融の与信・不正検知の分野では、過去の取引履歴や返済実績を訓練データとして、不正検知や与信スコアリングのモデルを学習させます。訓練データが特定の属性に偏っていると、実運用で公平性を欠く判断につながるリスクがあります。特定の属性を持つ人だけが不利な評価を受ける結果になれば、モデルの信頼性そのものが揺らぎかねません。

音声認識や自然言語処理（人間の言葉をコンピュータに処理させる技術分野）の分野では、音声データと書き起こしテキストの組を訓練データとして学習させます。訓練データに含まれる話者や言語のバリエーションが少ないと、多様な利用者への対応力が落ちてしまいます。方言やアクセント、話す速さの違いまで訓練データに反映させることが、実際の利用者層に対応する認識精度につながります。

5. 要点まとめ

• 訓練データは、モデルのパラメータ（重み・バイアス）を学習させるために使うデータで、検証データ（ハイパーパラメータ調整用）やテストデータ（最終評価用）とは役割が異なります。
• 訓練データに対する誤差は訓練誤差と呼ばれ、これだけを確認しても未知データへの性能低下である過学習を見抜くことはできません。
• 訓練データの量と質がモデルの精度と汎化性能を左右し、データ拡張やデータクレンジングで補われます。

6. 確認問題