언더피팅이란?
언더피팅은 모델이 너무 단순하거나 충분히 훈련되지 않아 데이터의 중요한 패턴을 학습하지 못할 때 발생합니다. 그 결과, 훈련 데이터와 새로운 데이터 모두에서 성능이 저조합니다.
이는 다섯 개의 단어만 사용하여 언어를 배우려는 것과 같습니다—이해하거나 올바르게 반응할 만큼 충분히 알지 못합니다.
언더피팅이 중요한 이유
- 저조한 훈련 정확도: 모델은 자신이 보는 데이터를 이해조차 하지 못합니다.
- 나쁜 실제 결과: 예측은 낮은 품질을 유지하며 신뢰할 수 없습니다.
- 너무 단순한 모델 구조: 필수적인 특성이 무시됩니다.
언더피팅의 징후
- 훈련 데이터와 테스트 데이터 모두에서 낮은 정확도.
- 레이어나 복잡성이 부족한 매우 작은 모델 아키텍처.
- 불충분한 훈련 시간 또는 에포크가 충분하지 않음.
언더피팅을 수정하는 방법
- 모델 복잡성 증가 (더 많은 레이어 또는 파라미터).
- 더 오랜 훈련을 통해 더 깊은 학습을 허용합니다.
- 더 의미 있는 특성 사용 또는 더 나은 훈련 데이터.
- 정규화 감소하여 모델이 더 많은 세부 사항을 학습할 수 있도록 합니다.