ホーム / 過学習 /

【Keras入門】エポック数はいくつが最適？過学習をグラフで見える化

投稿日：2025年11月11日火曜日 最終更新日：

Dropout EarlyStopping Google Colab エポック数 過学習

X f B! P L
アイキャッチ画像 【Keras入門】エポック数はいくつが最適？過学習をグラフで見える化

はじめに

Kerasでモデルを学習させるとき、「エポック数はどれくらいがちょうどいいの？」と迷ったことはありませんか？
エポックを増やすほど精度は上がりますが、やりすぎると過学習（overfitting）が起き、検証データの精度が下がってしまいます。
この記事では、実際にグラフを使ってエポック数と精度の関係を“見える化”してみましょう。

エポック数とは？

エポック（epoch）とは、「すべての学習データを1回使って学習すること」を指します。
たとえば、訓練データが1000件あり、バッチサイズが100なら、1エポック = 100件×10回の更新で完了します。

  • バッチサイズ：1回の学習で使うデータ数
  • エポック数：データを何回繰り返すか

この2つは混同されがちですが、モデルの学習挙動を理解するうえで非常に重要なパラメータです。
👉 関連記事： 【Keras入門】バッチサイズとは？精度との関係を実験で比較！

実験設定

今回は MNIST 手書き数字データセットを使い、エポック数を変えて学習精度を比較します。

from tensorflow import keras
from tensorflow.keras import layers
import matplotlib.pyplot as plt

# データ読み込み
(x_train, y_train), (x_test, y_test) = keras.datasets.mnist.load_data()
x_train, x_test = x_train / 255.0, x_test / 255.0

# ====== 関数化：新しいモデルを毎回作成 ======
def create_model():
    model = keras.Sequential([
        layers.Input(shape=(28, 28)),
        layers.Flatten(),
        layers.Dense(128, activation='relu'),
        layers.Dropout(0.2),
        layers.Dense(10, activation='softmax')
    ])
    model.compile(optimizer='adam',
                  loss='sparse_categorical_crossentropy',
                  metrics=['accuracy'])
    return model

# ====== エポック数を変えて比較 ======
histories = {}
for epochs in [5, 20, 100]:
    print(f"\n=== Epochs: {epochs} ===")
    model = create_model()
    history = model.fit(
        x_train, y_train,
        validation_data=(x_test, y_test),
        epochs=epochs,
        batch_size=128,
        verbose=0
    )
    histories[epochs] = {
        'history': history.history,
        'test_result': model.evaluate(x_test, y_test, verbose=0)
    }

# ====== 結果出力 ======
for epochs, result in histories.items():
    train_acc = result['history']['accuracy'][-1]
    val_acc = result['history']['val_accuracy'][-1]
    test_loss, test_acc = result['test_result']
    print(f"\n=== Epochs: {epochs} ===")
    print(f"最終訓練精度: {train_acc:.4f}")
    print(f"最終検証精度: {val_acc:.4f}")
    print(f"テスト精度: {test_acc:.4f}")

結果とグラフ

以下のように、エポック数が増えると訓練精度は上がるものの、検証精度（val_accuracy）はあるところで頭打ちになります。

plt.figure(figsize=(8,5))
for epochs, result in histories.items():
    plt.plot(result['history']['val_accuracy'], label=f'val_acc (epochs={epochs})')
plt.title("Validation Accuracy vs. Epochs")
plt.xlabel("Epoch")
plt.ylabel("Accuracy")
plt.legend()
plt.show()

実行結果例

Downloading data from https://storage.googleapis.com/tensorflow/tf-keras-datasets/mnist.npz
11490434/11490434 ━━━━━━━━━━━━━━━━━━━━ 2s 0us/step

=== Epochs: 5 ===

=== Epochs: 20 ===

=== Epochs: 100 ===

=== Epochs: 5 ===
最終訓練精度: 0.9707
最終検証精度: 0.9748
テスト精度: 0.9748

=== Epochs: 20 ===
最終訓練精度: 0.9912
最終検証精度: 0.9839
テスト精度: 0.9839

=== Epochs: 100 ===
最終訓練精度: 0.9973
最終検証精度: 0.9819
テスト精度: 0.9819

グラフ描画

エポック数ごとのグラフ描画結果

結果まとめ

エポック数最終訓練精度最終検証精度備考
50.970.97まだ伸びしろあり
200.9910.983ベスト付近
1000.9970.981過学習が発生

➡️ 約 20エポック前後 が最適なバランスです。

過学習を防ぐには？

EarlyStopping

一定期間精度が向上しなければ学習を自動停止します。

from tensorflow.keras.callbacks import EarlyStopping
early_stopping = EarlyStopping(monitor='val_loss', patience=3)
model.fit(x_train, y_train, epochs=100, validation_split=0.2,
          callbacks=[early_stopping])

👉 関連記事： Keras EarlyStoppingで過学習防止：精度低下の原因と対策

Dropout

モデルの一部のノードを無効化して過学習を抑制します。

👉 関連記事： 【Keras/CNN】Dropoutの効果をコードで可視化！使い所と設定値の決め方策

データ拡張（Data Augmentation）

訓練データをランダムに変形・反転などして水増しします。

👉 関連記事： 5エポック→40エポック！学習回数でAIの精度はどこまで伸びる？【Keras転移学習で検証】

まとめ

  • エポック数とは「学習データを何回繰り返すか」
  • 増やしすぎると過学習を起こす
  • グラフで精度を確認しながら調整するのがベスト
  • 20エポック前後を目安に、EarlyStoppingなどを活用

関連記事