解説

過学習はモデルが学習データの詳細やノイズまで記憶してしまい、未知のデータへ一般化できなくなる現象です。その結果、学習データでは高精度でも検証データでは性能が大きく低下するという特徴的なパターンが現れます。 選択肢A（学習データと検証データの両方で低い精度）は、過学習ではなく未学習（アンダーフィッティング）の状態を示します。モデルが学習データから十分なパターンを学習できていない場合に生じます。 選択肢B（学習精度は高いが検証精度が大幅に低い）が過学習の典型的な兆候です。モデルが学習データのノイズまで記憶し、未知データへの汎化性能が著しく低下しています。 選択肢C（学習精度と検証精度が同程度に高い）は、モデルが適切な汎化を達成している理想的な状態であり、過学習は発生していません。 選択肢D（学習時間が短く推論時間も短い）は計算効率に関する指標であり、モデルの汎化性能や過学習の有無とは直接関係ありません。