正答2
解説
正解は2です。
過学習（オーバーフィッティング）とは、モデルが訓練データに過剰に適合し、未知のデータに対する予測精度（汎化性能）が下がる現象です。
解消するには、学習するデータの多様性を増やすか、モデルを単純にする方向の対策をとります。
【選択肢別解説】
1：× 訓練データをテストデータに使うと、訓練時と同じ高い精度が出るだけで、未知データへの性能を評価できません。
過学習を隠すだけで解消にはならず、テストデータは訓練データと分けて用意します。
2：○ 元の訓練データに回転や反転、ノイズ付加などの加工を施して量を増やす手法を、データ拡張（データオーグメンテーション）といいます。
多様なパターンを学習することで特定のデータへの過剰適合が抑えられ、汎化性能が上がります。
3：× モデルを複雑にすると、訓練データの細かな特徴やノイズまで覚えてしまい、過学習はかえって悪化します。
対策としては、パラメータを減らす、正則化を加えるなど、モデルを単純にする方向が正しい方法です。
4：× 未知のデータに対して予測できる能力が汎化性能そのものです。
汎化性能を下げると未知データに対応できなくなるので、目的と逆です。
過学習の対策は汎化性能を上げることです。
【ポイント】
過学習の代表的な対策は、データの増量（データ拡張）、正則化、ドロップアウト、早期終了（アーリーストッピング）です。
「訓練精度は高いのにテスト精度が低い」状態が過学習のサインです。