オッカムの剃刀 (G検定)

2026年8月12日2026年9月2日

G検定

1. 定義と概要

オッカムの剃刀とは、ある事柄を説明するのに必要以上に多くの仮定を立てるべきではない、とする指針です。14世紀のイングランドの神学者・哲学者であるオッカムのウィリアムの考え方に由来し、倹約の原理（説明はできるだけ単純であるべきだとする考え方で、オッカムの剃刀の別名です）とも呼ばれます。

同程度に事象を説明できる仮説が複数あるなら、より単純な、つまり仮定の少ない仮説を採用すべきだとされます。余分な説明を刃物で削ぎ落とすという比喩が、そのまま名前になっているわけです。数学的に証明された定理ではなく、思想的な指針として扱われている点は、丁寧に押さえておきたいところです。

従来、哲学や自然科学では、ある現象を説明する仮説が複数成立しうるとき、どれを採用すべきかという問題がありました。オッカムの剃刀は、余分な仮定を削ぎ落とすように、より単純な仮説を優先すべきだと説いています。

この発想は機械学習にも取り入れられ、同程度にデータを説明できるなら、パラメータ（モデルが学習によって決める数値で、多いほどモデルは複雑になりやすい仕組みです）の少ない単純なモデルを選ぶべきだとの指針として現れるようになりました。同じ精度で説明できるなら、仕組みが分かりやすい方を選ぶ姿勢は、モデル選択における基本的な考え方の一つとして扱われます。

2. 試験対策ポイント

核となる考え方は、同程度に説明できるなら仮定は少ない方を選ぶことにあります。機械学習に当てはめると、同じ予測性能を示すなら、よりパラメータの少ない単純なモデルを選ぶ考え方になり、まず整理したい起点です。たとえば、同じデータをほぼ同じ精度で説明できる2つのモデルがあれば、より少ないパラメータで済む方を選ぶという判断につながります。

この指針が支える発想として、過学習（訓練データに合わせすぎて、新しいデータへの予測精度が落ちてしまうこと）を避け、汎化性能（学習に使っていない新しいデータに対してもうまく予測できる能力）を高める考え方があわせて挙げられます。モデルが複雑になるほど訓練データの細部まで再現しようとしてしまい、未知のデータに対する精度がかえって落ちる場合があるためです。

単純なモデルを志向する動機づけと、オッカムの剃刀の考え方はここで重なります。パラメータの数を絞ることは、モデルの説明力を保ちながら無駄な仮定を削る営みそのものです。

この考え方を具体的な手続きに落とし込んだ技術として正則化（モデルが複雑になりすぎないよう、損失関数に罰則を加えて単純さを保つ工夫の総称です）があります。思想と実装の組み合わせで捉えると、両者の関係が見えやすくなります。

一方で、単純なモデルが常に優れた予測性能を示すことを保証する仕組みではなく、同程度に説明できる仮説の中からどちらを選ぶかという基準にすぎません。この位置づけから、オッカムの剃刀は数学的に証明された定理ではなく思想的な指針として扱われており、取り違えやすいところです。

3. 関連概念との比較・相違点

オッカムの剃刀と並べて語られる概念は、それが指針なのか、定理なのか、実装の技術なのかで性格が分かれます。位置づけと主張の中身を並べると、混同しやすい関係が整理できます。

概念	位置づけ	主張・内容
オッカムの剃刀	思想的な指針	同程度に説明できるなら、より単純な仮説を選ぶ
ノーフリーランチ定理	数学的に証明された定理	あらゆる問題に万能な最良のアルゴリズムは存在しない
正則化	具体的な技術	損失関数に罰則項を加えてモデルの複雑さを抑える
赤池情報量規準	数値で表した規準	当てはまりの良さとパラメータ数のバランスを数値で示す

ノーフリーランチ定理との最大の違いは、思想的な指針か数学的な定理かにあります。ノーフリーランチ定理（あらゆる問題に万能に高い性能を発揮するアルゴリズムは存在しないと示す定理です）がアルゴリズムの限界について述べるのに対し、オッカムの剃刀は仮説の選び方を示します。主張の射程そのものが異なる点が、ここでの分かれ目になります。

正則化との関係は、思想と実装の関わりとして整理できます。オッカムの剃刀は「なぜ単純なモデルを選ぶか」という理由づけであるのに対し、正則化は損失関数に罰則項を加えてモデルの複雑さを実際に抑える具体的な技術です。オッカムの剃刀を数式的な手続きに落とし込んだものが正則化にあたり、L1正則化・L2正則化といった仕組みの詳細は別のテーマとして扱われます。

同じ考え方を数値で表す規準の一つが、赤池情報量規準（AIC）です。モデルの当てはまりの良さとパラメータ数のバランスを数値で表した規準で、オッカムの剃刀という思想を数式に落とし込んだ実装例の一つです。具体的な計算式やベイズ情報量規準との違いには、ここでは立ち入りません。

4. ビジネス・実務での活用シナリオ

AIモデル開発やデータ分析の現場では、同程度の予測精度を持つ複数のモデル候補があるとき、パラメータ数の少ない単純なモデルを優先して採用することがあります。処理の仕組みがシンプルであるほど保守や改修がしやすく、なぜその予測結果になったかを関係者に説明しやすいという効果につながります。計算資源や運用担当者の負荷を抑えられる点も、単純なモデルを選ぶ実務上の利点の一つです。

経営や意思決定の場面でも同じ発想が生きています。複数の要因が絡む問題を分析する際、無駄に複雑な仮説を組み立てず、最もシンプルな説明から検討する進め方が効果的です。仮説が単純であるほど検証に必要なデータや時間も少なく済み、意思決定のスピードを落とさずに済みます。

システム設計やエンジニアリングの領域では、同じ機能を実現する設計案が複数あるとき、余分な依存関係やコンポーネント（システムを構成する部品）を持たないシンプルな構成を優先する場面があります。構成が単純であるほど保守コストや障害リスクを抑えられ、長期的な運用のしやすさにつながるでしょう。