신경망·학습·과적합

개요

학습 곡선으로 과적합을 찾고 개선 실험을 고른다.

먼저 분류·회귀·군집 기준선의 핵심 개념을 확인하세요.

핵심 개요

신경망 학습은 입력에서 출력을 계산하고, 정답과의 손실을 이용해 매개변수를 조정하는 반복입니다. 학습 오차가 낮아져도 새로운 자료에서 잘 동작한다는 보장은 없습니다.

과적합은 학습 자료의 세부 특성에 지나치게 맞아 일반화가 나빠지는 상태입니다. 검증 손실·자료 규모·모델 복잡도·정규화·학습 중단을 함께 살핍니다.

필요한 용어

• 손실 함수: 예측과 정답의 차이를 수치로 표현하는 규칙
• 일반화: 학습에 사용하지 않은 자료에서도 기준을 만족하는 성질

작동 과정

1. 입출력 자료형과 정답을 확인합니다.
2. 학습·검증 손실을 같은 주기로 기록합니다.
3. 검증 기준으로 중단·모델 선택 후 시험 자료에서 확인합니다.

풀이 예제

아래 입력과 기록은 직접 만든 교육용 가상 자료입니다.

입력·조건

반복 1·2·3의 학습 손실은 0.6·0.3·0.1, 검증 손실은 0.7·0.5·0.8입니다.

판단·결과

검증 기준에서는 반복 2가 더 좋은 후보입니다. 마지막 반복이라는 이유로 3을 고르지 않습니다.

이렇게 판단한 이유

학습 자료에 맞는 정도와 새로운 자료 성능은 다를 수 있습니다. 검증 결과가 모델 선택의 근거가 되어야 합니다.

흔한 실패와 복구

검증 오차가 나빠지는데 무조건 반복 횟수를 늘리지 않습니다. 원인을 나누고 한 조건씩 바꿔 실험합니다.

확인 문제

참고 자료

1. Google ML Crash Course  — 학습 방식·회귀·분류·손실·평가의 기초.
2. scikit-learn: Common pitfalls  — 분할 전후 전처리와 데이터 누출.

자료 확인: 2026-10-21. 사례·문항·실습은 자체 제작했습니다. 외부 서비스 호출과 실제 모델 품질 측정은 학습자가 별도 환경에서 수행합니다.

학습 정확도 99%, 검증 정확도 70%입니다. 추가 학습 전에 확인할 원인과 대응을 적으세요.