内挿／外挿（Interpolation／Extrapolation）とは？

連載目次 用語解説 機械学習における内挿（Interpolation）とは、あるデータを使って訓練した機械学習モデルにおいて、その訓練データ（入力データおよび教師ラベル）の数値の範囲内で出力を求めることを指す。また外挿（Extrapolation）とは、その範囲外で求めることを指す。 内挿／外挿という（元々は数学の）用語は、「機械学習モデルの限界」や「誤解を防ぐための注意点」として言及されることが多い。特に機械学習に不慣れな一般人や機械学習の初心者は、内挿と外挿を意識して区別していないため、機械学習モデルのことを「どんな入力データに対しても同じ精度／信頼性で出力できるもの」と誤解しやすい。例えば機械学習モデルを訓練して90％の精度が出たら、「そのモデルを使えば常に90％の精度が出る」と考えがちである。しかしその精度は、入力データが「内挿」であればの話である。もし訓練時に入力したことがない範

[mangakoji]

このグラフ、外挿の相関がよすぎゃしませんか?これなら内挿と呼んでもイイ気が

[misshiki]

“機械学習モデルで、訓練データの範囲内で出力を求めることを「内挿」、範囲外で求めることを「外挿」と呼ぶ。機械学習モデルは、原理的に内挿は得意だが、外挿は苦手。”

[deep_one]

「学んできたことの範囲内であれば、より正確に答えられるよ（＝内挿）。しかし学んでいないことは、もちろん勘で当てずっぽうには答えられるけど、その回答はあまり信用できないから、そのつもりでね（＝外挿）」