過学習（オーバーフィッティング、Overfitting）とは、機械学習モデルが訓練データに対して過度に適合してしまい、未知のデータに対する予測性能が低下する現象です。モデルが訓練データのノイズや偶然のパターンまで学習してしまうことで発生します。
過学習が起きる原因
過学習は主に以下の要因で発生します。モデルの複雑さに対して訓練データが少なすぎる場合、モデルのパラメータ数が多すぎる場合、学習回数（エポック数）が多すぎる場合、そして特徴量にノイズが多い場合などです。
過学習の見分け方
訓練データに対する精度（訓練誤差）は高いのに、検証データやテストデータに対する精度（汎化誤差）が低い場合、過学習が発生していると判断できます。学習曲線を描くと、訓練誤差と検証誤差の乖離が大きくなるのが特徴的です。
過学習の対策
過学習を防ぐための代表的な手法には、正則化（L1/L2正則化）、ドロップアウト、早期終了（Early Stopping）、データ拡張、交差検証、より多くの訓練データの収集、モデルの簡略化などがあります。これらの手法を適切に組み合わせることが重要です。
未学習（アンダーフィッティング）との違い
過学習が「訓練データに適合しすぎ」であるのに対し、未学習は「訓練データにすら適合できていない」状態です。適切なモデルは、過学習と未学習のバランスが取れた状態にあります。