読み方 ： はんか
汎化【generalization】generalize
概要
汎化とは、複数の異なる対象から共通する性質や法則性を見出し、一つの概念にまとめること。対義語は「特化」（specialization）、または「特殊化」。IT分野では、主にオブジェクト指向プログラミングと機械学習で、それぞれ異なる意味合いを持つ専門用語として用いられる。
オブジェクト指向における汎化
オブジェクト指向プログラミングにおける汎化とは、複数のクラスに共通する属性やメソッドを抽出し、それらを上位の共通クラス（スーパークラス）として定義する手法を指す。
個別のクラス（サブクラス）は上位クラスの性質を引き継ぐため、同様の機能を重複して記述する必要がなくなる。これによりプログラムの構造が整理され、コードの再利用性や保守性が向上する。統一モデリング言語（UML）のクラス図でも、下位モデルから上位モデルへ向かう矢印を用いて汎化の関係性が表現される。
機械学習における汎化
機械学習における汎化とは、学習データから共通する特徴や規則性を抽出し、未知のデータに対しても正しく予測や分類を行えるようにまとめることを指す。機械学習の目的は学習データのみに適合することではなく、実運用で遭遇する新しいデータへ対応することにある。この未知データに対する予測の正確さは「汎化性能」と呼ばれ、構築したモデルの品質を評価する上で重要な指標の一つとなる。
学習時に学習データへ過剰に適合し、手元のデータでは高い精度を示す一方、未知のデータへの予測精度が著しく低下する現象は「過学習」（オーバーフィッティング）と呼ばれる。逆に学習が不足し、学習データの特徴すら十分に捉えられていない状態は「未学習」（アンダーフィッティング）と呼ばれる。いずれの場合も、十分な汎化性能を得ることができていない。
実用上特に問題となりやすいのは過学習の方で、様々な手法で過学習を抑える対策が行われる。例えば、学習データの量を増やす、モデルの複雑さを抑える、「正則化」と呼ばれる手法を用いる、学習データの一部を検証用に分けて性能を確認しながら学習を進める、といった方法が用いられる。
(2026.6.19更新)
共有ボタンをタップ