이 질문 뒤에 면접관이 확인하려는 것은 따로 있습니다.
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.
두 개념의 차이는 학습 성능과 검증 성능의 관계로 가장 분명해진다고 이해하고 있습니다.
학부 프로젝트에서 학습 정확도는 매우 높은데 검증에서 크게 떨어지는 자리를 만났습니다. 전형적인 오버피팅이었고, 데이터를 더 모으고 모델을 단순화하자 간격이 줄었습니다. 반대로 다른 과제에서는 학습 정확도조차 안 오르는 자리가 있었는데, 그때는 특징이 부족한 언더피팅이라 보고 입력 특징을 보강했습니다.
그 경험에서 둘은 반대 방향의 문제라, 먼저 어느 쪽인지 진단하는 게 핵심이라는 걸 체감했습니다.
두 개념은 결국 모델 복잡도와 일반화 사이의 트레이드오프로 이해하고 있습니다.
모델을 키울수록 학습 데이터는 잘 맞추지만 새 데이터에서 무너질 위험(오버피팅)이 커지고, 너무 단순하면 데이터의 패턴 자체를 못 잡는(언더피팅) 자리가 됩니다. 그래서 좋은 모델은 그 사이 어딘가를 데이터 양과 검증으로 찾아가는 일이라고 봅니다.
대응도 그 관점에서 봅니다. 정규화나 조기 종료는 복잡도를 누르는 쪽, 특징 추가는 표현력을 키우는 쪽입니다. 핵심은 한 방법을 외우는 게 아니라 지금 어느 쪽으로 치우쳤는지 보는 일이라고 이해하고 있습니다.
답변에서 흔히 빠지는 것들 — 빠져 있으면 꼬리질문이 깊어집니다.
이 질문에 이어 네이버 AI 리서처 면접관이 던질 가능성이 높은 후속 질문.
이 페이지의 질문·답변·꼬리질문은 유사 직군 채용 시장의 공개된 면접 후기·커뮤니티 게시물을 분석해 구성한 학습 자료입니다. 특정 회사가 실제로 이 질문을 출제했다는 것을 보장하지 않으며, 모든 예시는 우문현답이 직접 작성한 창작물입니다. 해당 회사의 공식 입장과는 무관합니다. 회사 측의 정정 요청이 있을 경우 24시간 이내에 응답·수정합니다.