データ拡張（でえたかくちょう）
最終更新：2026/4/25
データ拡張とは、既存のデータセットに人工的に変形を加えたデータを追加することで、機械学習モデルの汎化性能を向上させる手法である。
別名・同義語 データオーグメンテーション
ポイント
データ拡張は、特にデータ量が限られている場合に有効であり、モデルが様々な状況に対応できるよう訓練することを可能にする。
データ拡張とは
データ拡張（Data Augmentation）は、機械学習、特に画像認識や自然言語処理の分野で広く用いられる手法です。限られたデータセットから、モデルの学習に必要な多様性を生み出すことを目的とします。
データ拡張の目的
機械学習モデルは、大量のデータからパターンを学習することで高い性能を発揮します。しかし、十分な量のデータを収集することが難しい場合があります。データ拡張は、既存のデータを加工することで、実質的にデータセットのサイズを増やす効果があります。これにより、モデルの過学習を防ぎ、未知のデータに対する汎化性能を向上させることが期待できます。
データ拡張の手法
データ拡張の手法は、扱うデータの種類によって異なります。
- 画像データ: 回転、反転、拡大・縮小、クロッピング、色調変更、ノイズ付加など。
- 音声データ: ピッチ変更、速度変更、ノイズ付加、時間伸縮など。
- テキストデータ: 同義語置換、ランダム挿入、ランダム削除、バックトランスレーションなど。
データ拡張の注意点
データ拡張は、常に効果を発揮するわけではありません。不適切なデータ拡張を行うと、モデルの性能を低下させる可能性があります。例えば、画像認識において、現実にはありえないような回転角度で画像を回転させると、モデルが誤ったパターンを学習してしまう可能性があります。データ拡張を行う際には、ドメイン知識に基づいて、適切な手法を選択する必要があります。
データ拡張の応用例
データ拡張は、様々な分野で応用されています。