과적합은 모델이 훈련 자료의 특성이나 잡음에 지나치게 맞아 새로운 자료에서는 성능이 떨어지는 현상입니다. 훈련 성능만으로 판단하지 않고 분리된 검증·시험 자료에서 일반화 성능을 확인합니다.
다른 이름: Overfitting
학습 자료에 지나치게 맞출 수 있습니다
과적합은 학습 자료의 세세한 특성이나 우연한 잡음까지 지나치게 맞추어 새로운 자료에서 성능이 떨어지는 현상입니다. 모델이 실제 문제의 규칙성보다 특정 배경·촬영 기기·자료의 우연에 의존할 수 있습니다.
반대로 모델이 너무 단순하거나 충분히 학습하지 못해 연습 자료도 잘 설명하지 못하면 과소적합을 의심할 수 있습니다. 무조건 오래 학습하거나 크게 만드는 것만이 해결책은 아닙니다.
연습·조정·최종 시험을 나눕니다
훈련 자료는 모델 학습에 사용합니다. 검증 자료는 설정을 비교하고 학습을 언제 멈출지 판단하는 데 사용합니다. 시험 자료는 선택 과정에서 충분히 분리해 최종 성능을 확인하는 데 둡니다.
시험 점수를 보고 계속 설정을 고치면 시험 자료가 사실상 검증 자료가 됩니다. 같은 고객이나 같은 사진의 복제본이 여러 묶음에 섞이는 문제도 주의해야 합니다.
실제 사용할 조건을 대표해야 합니다
내일 판매를 예측하는 모델이라면 과거로 학습해 미래를 평가하는 시간 순서가 중요할 수 있습니다. 사진 분류라면 다른 조명·각도·기종을 포함해야 합니다. 무작위로 나누는 한 가지 방식이 언제나 충분하지는 않습니다.
자료를 더 다양하게 모으거나 모델의 복잡도를 조정하고 정규화·조기 종료 등을 사용할 수 있습니다. 먼저 실패가 어떤 상황에 몰리는지 확인한 뒤 원인에 맞는 방법을 선택합니다.
예시와 비교
자료 | 역할 | 주의 |
|---|---|---|
훈련 | 모델 조정 | 대표성·오염 |
검증 | 설정 선택 | 반복 선택 편향 |
시험 | 최종 평가 | 선택 과정에 유출하지 않기 |
주의할 해석
훈련 점수와 시험 점수의 차이만으로 모든 원인을 확정할 수는 없습니다. 데이터 분포 변화나 잘못된 평가 과정도 점검합니다.
추가 설명
일반화는 학습 자료 밖의 관련 사례에도 성능이 이어지는 성질입니다. 모든 미래 상황을 보장하는 말은 아니며 평가 분포와 적용 범위를 함께 밝혀야 합니다.
출처와 더 읽을 자료
Google — Overfitting — 새 데이터 일반화와 과적합 · 확인 2026-10-29
Google — Working with numerical data — 데이터 준비와 수치 특징 · 확인 2026-10-29