(→같이 보기) |
|||
| 1번째 줄: | 1번째 줄: | ||
==개요== | ==개요== | ||
;overfitting | ;overfitting | ||
;[[過]][[適合]] | |||
;과적합, 과잉적합, 과최적화, 오버피팅 | ;과적합, 과잉적합, 과최적화, 오버피팅 | ||
* 통계모델이 다른 상황에 일반화되지 못하는 것 | * 통계모델이 다른 상황에 일반화되지 못하는 것 | ||
| 22번째 줄: | 23번째 줄: | ||
==같이 보기== | ==같이 보기== | ||
{{z컬럼3| | {{z컬럼3| | ||
* [[적합]] | |||
* [[적합도]] | * [[적합도]] | ||
* [[예측력]] | * [[예측력]] | ||
| 37번째 줄: | 39번째 줄: | ||
[[분류:통계]] | [[분류:통계]] | ||
[[분류:머신러닝]] | [[분류:머신러닝]] | ||
[[분류: 3음절 한자어 명사]] | |||
[[분류: 過]][[분류: 適]][[분류: 合]] | |||
2020년 4월 27일 (월) 20:06 판
1 개요
- 통계모델이 다른 상황에 일반화되지 못하는 것
- 기계학습에서 데이터에 대한 학습이 너무 많이 수행되는 현상
- 통계모델이 과도하게 샘플데이터 맞춤형으로 만들어져 오히려 현실과 맞지 않게 되는 일
- 통계모델에 매개변수가 너무 많은 경우, 샘플데이터 수에 비해 모델이 복잡하고 예측력이 떨어짐
- 모델이 트레이닝셋에 너무 최적화되어 있어서, 실제모델(현실적으로는 테스트셋)과 맞지 않게 되는 것
- 학습 대상 데이터에 대한 오차는 감소하지만, 실제 사례에 적용할 경우 오차가 증가하는 문제를 수반한다.
2 방지 방법
- 더 많은 트레이닝 데이터 확보
- 피쳐 수 감소
- 정규화
3 같이 보기
4 참고
로그인하시면 댓글을 쓸 수 있습니다.
{{ comment.name }}
{{ comment.created | snstime }}
-
{{comment.page_title}} ―{{comment.name}}