解説

過学習（オーバーフィッティング）は、モデルが訓練データのノイズや細部まで記憶しすぎ、新しいデータへの汎化能力が失われた状態です。訓練精度は高くテスト精度が著しく低い場合に発生します。対策として正則化・ドロップアウト・早期停止・データ拡充などがあります。 選択肢Aの過小適合（アンダーフィッティング）は、モデルが単純すぎて訓練データのパターンすら学習できていない状態であり、訓練精度・テスト精度ともに低くなります。本問では訓練精度99%と高いため該当しません。 選択肢Cのデータドリフトは、本番環境のデータ分布が時間経過などにより訓練時と乖離した状態です。モデル設計上の問題である過学習とは原因が異なります。 選択肢Dのクラス不均衡は、訓練データの正例・負例の比率が極端に偏っている問題です。精度指標の解釈に影響しますが、訓練・本番間の精度乖離の主因とはなりません。