(→개요) |
|||
| 6번째 줄: | 6번째 줄: | ||
* 통계모델이 과도하게 샘플데이터 맞춤형으로 만들어져 오히려 현실과 맞지 않게 되는 일 | * 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 떨어짐''' | ||
* 모델이 [[트레이닝셋]]에 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. | * 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 | https://upload.wikimedia.org/wikipedia/commons/thumb/5/5d/Overfit.png/300px-Overfit.png | ||
2020년 4월 27일 (월) 20:05 판
1 개요
- overfitting
- 과적합, 과잉적합, 과최적화, 오버피팅
- 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}}