예시 답변 1
약 90초
원리 → 원인 → 대응으로 푼 결
두 개념을 한 줄로 정리하면, 오버피팅은 학습 데이터에 너무 맞춰져 새 데이터에서 무너지는 자리, 언더피팅은 학습 데이터조차 제대로 못 맞추는 자리로 이해하고 있습니다.
원인 쪽으로 보면, 오버피팅은 보통 모델이 데이터에 비해 너무 복잡하거나 데이터가 적을 때, 언더피팅은 모델이 너무 단순하거나 학습이 부족할 때 생긴다고 봅니다.
그래서 대응도 방향이 반대입니다. 오버피팅은 정규화·데이터 확보·모델 단순화로 일반화를 높이고, 언더피팅은 모델을 키우거나 특징을 더 주는 쪽입니다. 핵심은 학습 성능과 검증 성능의 간격을 보고 어느 쪽 문제인지 먼저 판단하는 일이라고 이해하고 있습니다.
이 결의 특징
개념 정의부터 대응책까지 구조적으로 정렬했습니다. 학습-검증 성능의 구체적 차이를 측정 가능한 지표로 다루는 점이 핵심입니다.
이 결이 통하는 자리
모델 개선의 진단-처방 사이클을 체계적으로 생각하는 조직에서 평가받습니다. 데이터 부족이 원인인지 모델이 과하지는 않은지를 판단해야 하는 역할에 적합합니다.