#noindex
AKA '''과적합, 과학습, 과적응'''
과대적합과 [[과소적합,underfitting]] { WpKo:과소적합 WtEn:underfitting ? Ndict:underfitting } 이라는 단어도 쓰임.
기타 과최적화 오버피팅 과잉수렴 ...

한 데이터셋에만 지나치게 최적화된 상태

학습 데이터에 대해 과하게 학습하여 실제 데이터에 대한 오차가 증가하는 현상.
##윗줄 from [* 마스터 알고리즘]

(See [[신경망,neural_network]] for 저적합과의 비교 및 그림 설명)

https://i.imgur.com/1OuGGwe.png ([[https://blog.naver.com/team_deot/223243911469 src]])

[[훈련,training]]횟수가 너무 많으면 '''overfitting'''되어 훈련시의 [[정확도,accuracy]]는 높아져도 실제 정확도는 떨어질 수 있다
이렇게.
https://i.imgur.com/KZkSrw4.png
그래서 [[early_stopping]]이 필요?

= 그냥 생각/느낌, chk/delme =
[[모델,model]]이 ~~너무 쓸데없이~~ 필요 이상으로 ~~복잡해서~~ 정교해져서 쓸모가 없어진??

= 해결책 =
[[정칙화,regularization]] - writing
{
https://i.imgur.com/tXhuSSd.png

[[과적합,overfitting]]의 해결방법 중 하나.

개념
penalty
 Google:penalty+regularization

비교:
[[dropout]] - writing

}

[[dropout]]은 '''과적합'''의 대응책/해결책 중 하나.
{
드롭아웃
드랍아웃
번역??

'''과적합'''의 대응책/해결책 중 하나.
다른 방법:
[[batch_normalization]]이 '''dropout'''을 대신할 수도 있다.

QQQ 이건 인간 뇌의 신경세포 사멸이나 [[기억,memory]]의 망각과 구체적으로/정확히 어떤 관련이 있는건지...
...  Google:dropout Naver:dropout
}

[[data_augmentation]] / [[image_augmentation]] 도 '''overfitting'''의 대응책 ??
{
pagename TBD. 확대 증가 증대 늘리기 늘림 부풀리기 부풀림 ... 중에 뭘로 번역하는게 최선? ... Ndict:augmentation
}

어디서 본 비유:
수능을 잘 보기 위해 기출문제의 답을 전부 외워버렸다.
(그래서 똑같이 다시 나오면 완벽히 맞추지만, 문제가 조금만 변형되거나 신 유형이 나오면 대처를 못한다.)

'''과적합'''된 NN은 더 일반적인 경우, [[일반화,generalization]]된 경우에 대한 대처 능력이 떨어진다.

= Examples =
// from 마스터 알고리즘
바이블 코드,,Bible Code,, : 충분히 긴 내용이라면 성경이 아닌 어떤 책이든 예측을 확실히 발견하는 방법은 수없이 많다.

"변수가 네 개면 코끼리 모양의 그래프에 맞는 수식을 구할 수 있고 변수가 다섯 개면 코끼리가 코를 실룩실룩 움직이는 모양을 나타내는 수식도 구할 수 있다." - John von Neumann
 원문을 찾아보니 [[https://www.causeweb.org/cause/resources/library/r1951 Quote: von Neumann on Overfitting]]
 그리고 실제로 찾은 곡선 : https://www.johndcook.com/blog/2011/06/21/how-to-fit-an-elephant/
 Google:four+five+parameter+elephant+neumann

= bmks ko =
Machine learning 스터디 (3) Overfitting - README (2014)
http://sanghyukchun.github.io/59/

딥 러닝을 이용한 자연어 처리 입문 / 07-06 과적합(Overfitting)을 막는 방법들
https://wikidocs.net/61374

----
AKA: '''과대적합'''

반대: 과소적합 underfitting

----
WpKo:과적합
WpEn:Overfitting
http://mlwiki.org/index.php/Overfitting