"과적합"의 두 판 사이의 차이

2023년 10월 26일 (목) 13:22 기준 최신판

1 개요[ | ]

overfitting
過適合
과적합, 과적화, 과잉적합, 과최적화, 오버피팅

일반화 부족
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 떨어진다.
생성된 모델이 훈련 데이터와 지나치게 일치하여, 새 데이터를 올바르게 예측하지 못하는 경우이다.
모델이 트레이닝셋에 너무 최적화되어 있어서, 실제모델(현실적으로는 테스트셋)과 맞지 않게 되는 것이다.
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[ | ]

@@ 1번째 줄: / 1번째 줄: @@
 ==개요==
 ;overfitting
-;과적합, 과잉적합, 과최적화, 오버피팅
+;[[過]][[適合]]
+;과적합, 과적화, 과잉적합, 과최적화, 오버피팅
+* [[일반화]] 부족
 * 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'''
+* 통계모델에 매개변수가 너무 많은 경우, 샘플데이터 수에 비해 '''모델이 복잡하고 예측력이 떨어진다'''.
-* 모델이 [[트레이닝셋]]에 너무 최적화되어 있어서, 실제모델(현실적으로는 [[테스트셋]])과 맞지 않게 되는 것
+* 생성된 모델이 [[훈련 데이터]]와 지나치게 일치하여, 새 데이터를 올바르게 예측하지 못하는 경우이다.
+* 모델이 [[트레이닝셋]]에 너무 최적화되어 있어서, 실제모델(현실적으로는 [[테스트셋]])과 맞지 않게 되는 것이다.
+* 학습 대상 데이터에 대한 오차는 감소하지만, 실제 사례에 적용할 경우 오차가 증가하는 문제를 수반한다.
-https://upload.wikimedia.org/wikipedia/commons/thumb/5/5d/Overfit.png/300px-Overfit.png
+[[파일:Overfit.png|300px]]
-https://upload.wikimedia.org/wikipedia/commons/thumb/6/68/Overfitted_Data.png/300px-Overfitted_Data.png
+[[파일:Overfitted_Data.png|300px]]
-https://upload.wikimedia.org/wikipedia/commons/thumb/1/19/Overfitting.svg/300px-Overfitting.svg.png
+[[파일:Overfitting.svg|300px]]
 ==방지 방법==
@@ 19번째 줄: / 24번째 줄: @@
 ==같이 보기==
+{{z컬럼3|
+* [[적합]]
+* [[적합도]]
+* [[예측력]]
+* [[과소적합]]
+* [[오컴의 면도날]]
+* [[통계 모델 유연성]]
 * [[트레이닝셋, 테스트셋]]
 * [[편향-분산 트레이드오프]]
-* [[통계 모델 유연성]]
+}}
-* [[오컴의 면도날]]
-* [[적합도]]
 ==참고==
@@ 29번째 줄: / 39번째 줄: @@
 * http://scienceon.hani.co.kr/377752
-[[분류: 통계]]
+[[분류:통계]]
-[[분류: 기계학습]]
+[[분류:머신러닝]]
+[[분류: 3음절 한자어 명사]]
+[[분류: 過]][[분류: 適]][[분류: 合]]