overfitting

과적합

모델이 학습 데이터의 세부 특징까지 외워 새로운 데이터에는 성능이 떨어지는 현상이다.

기사 2편최근 언급

overfitting(과적합)은 머신러닝 모델이 학습 데이터에 지나치게 맞춰져, 데이터에 담긴 일반적인 규칙이 아니라 잡음과 우연한 특징까지 학습하는 현상이다. 그 결과 학습 데이터에서는 성적이 좋지만 처음 보는 데이터에서는 성능이 떨어진다. 반대로 모델이 너무 단순해 학습 데이터조차 제대로 맞추지 못하는 현상은 underfitting(과소적합)이라고 한다.

모델의 복잡도에 비해 데이터가 적거나 학습을 너무 오래 할 때 주로 생긴다. 이를 막기 위해 학습 데이터와 별도의 검증 데이터로 성능을 재고, regularization, dropout, early stopping, 데이터 증강 같은 기법을 쓴다. 같은 benchmark에 맞춰 모델이나 시스템을 반복해서 조정할 때 그 benchmark에만 맞춰지는 현상도 overfitting이라 부른다.

이 설명은 AIPOST 기사와 널리 알려진 사실을 바탕으로 정리했습니다. 잘못된 내용이 있으면 정정 요청으로 알려 주세요.

이 항목을 다룬 기사

  • prompt 부채 정리와 cache 설계로 Claude 비용 최대 72.9% 절감AI 활용 ·

    hillclimb: 자동 개선과 overfitting 방어

    기사 읽기
  • 자기 개선 AI agent 설계: 두 loop와 reward hacking 방어AI 활용 ·

    같은 benchmark에 반복해서 최적화하면 overfitting(특정 시험에만 맞춰지는 현상)이 생기므로 holdout 세트를 운영 중 실제 작업 분포에 맞게 계속 갱신합니다.

    기사 읽기

설명이 잘못되었거나 찾는 항목이 없나요?

위키 설명은 AIPOST 기사와 널리 알려진 사실을 바탕으로 정리합니다. 잘못된 설명은 정정 요청으로 알려 주시면 확인해 고칩니다. 새 기사에 나온 이름은 기사가 올라온 뒤 위키에 더해집니다.