Връщах се у дома… а там ме чакаше изненада, от която останах безмълвна.
Мария се прибираше в София след почивка — дългоочаквана, слънчева, изпълнена с шума на вълните и аромата на бор. Цяла седмица бе прекарала в малко крайморско селище на Черно море. Таксито плавно спря пред блока ѝ. Тя слезе, извади багажа от багажника и тръгна към входа.
— Сега — под душ, вечеря и заслужен почивка — мислеше си Мария, качвайки се по стълбите до третия етаж.
Но щом отключи вратата и влезе в коридора, нещо в нея се сви. Въздухът в апартамента бе различен. Свеж, непознат. Направи крачка напред… и замръзна. Стаите сякаш бяха разменени. Всичко бе станало друго. По-ярко. Пребоядисани стени, обновени прозорци, препренаредени мебели.
— Какво става тук?! — мина ѝ през ум.
…Мария винаги мислеше за себе си като за щастлива жена. Мъжът ѝ — Иван — бе спокоен, надежден, грижовен. Работеше като шофьор на камион, рядко беше у дома, но всичко, което правеше, бе за семейството. Без лоши навици, с доходи, кои# 4.8.1 Over/under fitting
### Overfitting과 underfitting
– **Overfitting** (과적합)
– 모델이 학습 데이터에 지나치게 맞춰져, 일반적인 데이터에는 잘 작동하지 않는 현상
– **학습 데이터의 성능은 높지만, 실제 데이터의 성능(일반화 성능)은 낮음**
– **원인**
– 모델 복잡도가 높음 (파라미터가 너무 많거나, 층이 너무 깊음)
– 학습 데이터가 부족하거나 노이즈가 많음
– 학습 시간이 너무 길어 과도하게 학습됨
– **해결 방안**
– **데이터 증가**: 더 많은 학습 데이터 제공
– **규제(Regularization) 적용**: L1, L2 규제로 가중치 제한
– **드롭아웃(Dropout)**: 무작위로 뉴런을 비활성화하여 과적합 방지
– **조기 종료(Early Stopping)**: 검증 데이터 성능이 떨어지면 학습 중단
– **모델 간소화**: 층 수 줄이기, 뉴런 수 줄이기
– **Underfitting** (과소적합)
– 모델이 학습 데이터를 충분히 학습하지 못해, 일반적인 데이터에서도 성능이 낮은 현상
– **학습 데이터와 실제 데이터 모두에서 성능이 낮음**
– **원인**
– 모델이 너무 단순하여 데이터의 복잡성을 표현하지 못함
– 학습 시간이 부족하거나 학습률(Learning Rate)이 너무 낮음
– 특징(Feature) 선택이 적절하지 않음
– **해결 방안**
– **모델 복잡도 증가**: 더 많은 층이나 뉴런 추가
– **학습 시간 증가**: 에포크(Epoch) 수 늘리기
– **적절한 특징 선택**: 더 의미 있는 특징 사용
– **학습률 조정**: Learning Rate를 적절히 설정하여 학습 효율 향상
### Overfitting과 underfitting 상황에서의 최적화 곡선 예시
### Bias와 Variance
– **편향(Bias)과 분산(Variance)**
– **편향(Bias)**: 모델의 예측값과 실제값의 차이 (낮을수록 정확함)
– **분산(Variance)**: 모델의 예측값이 얼마나 퍼져있는지 (낮을수록 안정적)
| 상황 | 편향(Bias) | 분산(Variance) | 일반화 성능 |
|——|————|—————–|————-|
| **과소적합(Underfitting)** | 높음 | 낮음 | 낮음 |
| **적절한 피팅(Good Fit)** | 중간 | 중간 | 높음 |
| **과적합(Overfitting)** | 낮음 | 높음 | 낮음 |
