▣ 머신러닝_과대적합(Overfitting), 과소적합(Underfitting)
■ 과대적합(Overfitting)
과대적합은 학습데이터에 대해 과하게 학습하여 실제 데이터에 대한 오차가 증가하는 현상
▶ 해결방안
파라미터 수가 적은 모델을 선택하거나, 모델에 제약을 가하여 단순화
훈련 데이터를 더 많이 확보
훈련 데이터의 잡음을 줄임 (Outlier, Error 제거)
■ 과소적합(Underfitting)
과소적합은 과대적합의 반대 개념
모델이 너무 단순해서 데이터의 내재된 구조를 학습하지 못할 때 발생
▶ 해결방안
파라미터가 더 많은 강력한 모델을 선택
학습 알고리즘에 더 좋은 특성을 제공
모델의 제약을 줄임
2020년 89번
정답 : 3번
과대적합은 학습데이터에 대해 과하게 학습하여 실제 데이터에 대한 오차가 증가하는 현상
데이터가 그대로이면 아무리 반복 횟수를 늘려도 오버피팅 문제를 해결할 수 없음
드롭아웃 (Dropout)
층의 출력값에 노이즈(랜덤하게 끄는것)를 추가하여 중요하지 않은 우연한 패턴을 네트워크가 학습하지 못하게 하는 것
네트워크 층에 드롭아웃을 적용하면 훈련하는 동안 랜덤하게 층의 일부 출력 특성(유닛)을 제외
'시스템구조' 카테고리의 다른 글
| 사이버-물리 시스템(CPS)의 안전‧신뢰성 확보 지침 제1부: CPS 사고분석모델 (0) | 2021.11.12 |
|---|---|
| 메일 프로토콜_SMTP, POP3, IMAP, PGP, 인증, 암호화, S/MIME (0) | 2021.11.12 |
| 머신러닝_딥러닝_텐서플로우(TensorFlow) (0) | 2021.11.11 |
| CSMA(Carrier Sense Multiple Access)_CSMA/CD, CSMA/CA (0) | 2021.11.11 |
| 디지털 데이터를 아날로그 신호로 변환_ASK, FSK, PSK, QAM (0) | 2021.11.11 |