汎化性能（Generalization Performance）は、機械学習モデルの訓練時に使用されたデータセット以外の新しいデータに対する性能や予測能力を指します。つまり、モデルが新しいデータにどれだけうまく適応できるかを評価する指標です。

機械学習では、モデルを訓練データに適合させ、そのデータに対する正確な予測を行います。しかし、訓練データに対して高い性能を示すモデルが必ずしも新しいデータに対しても同様の性能を発揮するとは限りません。モデルが訓練データに過剰に適合してしまい、新しいデータに対して一般化できない場合、過学習（Overfitting）が発生します。

汎化性能は、過学習を避け、モデルが新しいデータに対しても良好な予測を行える能力を測る重要な指標です。一般に、汎化性能が高いほど、モデルは未知のデータに対しても頑健で信頼性のある予測を行えると言えます。

汎化性能を評価するためには、モデルの訓練時に使用したデータセットとは異なる、独立した検証データセットやテストデータセットを用意します。モデルはこのデータセットで評価され、その性能が汎化性能の評価となります。一般化誤差（Generalization Error）や交差検証（Cross-Validation）などの手法も使われます。

良好な汎化性能を持つモデルは、訓練データに偏らず、一般的なパターンや特徴を学習し、未知のデータにも適応することができます。適切な正則化、データの正規化、適切なハイパーパラメータの選択などが汎化性能の向上に役立つ手法です。