[AI🧠] 머신러닝 용어 쉽게 정리 (Overfitting:과적합, Underfitting:과소적합, Bias:편향)

 

 

🧠 기본적인 머신러닝 용어 정리

 

✅ Inference (추론)

이미 학습된 머신러닝 모델에 실제 새로운 데이터를 입력해서 예측(분석)하는 것을 말한다.

예시: ChatGPT에게 사진을 입력하여, 지브리 사진 만들어달라고 요청하기

 

---

 

✅ Overfitting (과적합, 오버피팅)

머신러닝 모델이 훈련(training) 데이터에는 제대로 작동하지만, 새로운 데이터에는 성능이 떨어지는 경우.

훈련 데이터	실제 데이터
✅	❌

 

📌 주된 이유:
훈련 데이터에 있는 불필요한 특징(noise:노이즈)까지 학습해서, 다른 데이터에서는 제대로 인식하지 못한다.

 

📌 해결 방법:

• 더 다양한 데이터로 훈련시키기
• 같은 데이터로 너무 오래 훈련시키지 않기

https://en.wikipedia.org/wiki/Overfitting

​

---

​​✅ Underfitting (과소적합, 언더피팅)

머신러닝 모델이 훈련 데이터에도, 새로운 데이터에도 성능이 낮은 경우.

훈련 데이터	실제 데이터
❌	❌

📌 주된 이유:

• 훈련 데이터가 너무 적어서 학습이 안됌
• 훈련 시간이 너무 짧아서 학습이 안됌

📌 해결 방법:

• 충분한 데이터 확보
• 적절한 학습 시간 설정

https://www.superannotate.com/blog/overfitting-and-underfitting-in-machine-learning

 

---

✅ Bias (편향, 바이어스)

Bias(바이어스)는 모델이 예측을 너무 단순하게 하려고 할 때 생긴다.

(머신러닝 모델의 예측이 불공정하거나 왜곡된 경우)

 

예시: "동물이 털이 있으면 고양이야."

예시와 같이 잘못 학습된 경우 Bias가 있다고 한다.

 

 

📌 Bias가 높은 경우: Underfitting (과소적합) 발생
→ 모델이 충분히 학습하지 못함
→ 훈련 데이터, 테스트 데이터 모두 예측이 잘 안 됨

 

📌 Bias가 너무 낮은 경우: Variance(분산)가 높아진다.
→ 이건 Overfitting (과적합)으로 이어질 수 있다.

https://www.tutorialspoint.com/machine_learning/machine_learning_bias_and_variance.htm

---

✅ 머신러닝 모델의 퀄리티 높이는 방법

• 품질 좋은 데이터
• 다양한 데이터, 편향되지 않은 데이터 (예: 특정 나이, 성별만 있는 데이터는 안됌)
• 모델 설계 전에 공정성(Fairness) 고려
• 훈련 데이터와 결과를 지속적으로 평가