지식 · AI 기초
과적합
Overfitting
📂AI 기초⏱읽기 1분📊실무🔗관련 4
과적합이란?
한 줄 정의
모델이 학습 데이터를 '너무 외워서' 새 데이터에는 오히려 약해지는 현상. 시험 문제만 달달 외운 학생과 같다.
⚡ 3줄 요약
- 학습 데이터를 '너무 외워' 새것에 약함
- 시험 문제만 달달 외운 학생
- 일반화 실패
과적합은 모델이 학습 데이터의 사소한 패턴·잡음까지 통째로 외워, 학습 데이터에선 만점이지만 처음 보는 데이터에선 성능이 떨어지는 문제입니다. 기출문제만 외운 학생이 새 유형에 약한 것과 같습니다.
반대로 너무 안 배운 '과소적합'도 문제라, 그 사이의 균형이 좋은 모델의 조건입니다. 데이터를 늘리거나, 모델을 단순화하거나, 검증 데이터로 점검하는 방법으로 과적합을 막습니다. AI 결과를 믿기 전에 '진짜 일반화됐는지' 확인하는 태도와 연결됩니다.
💡 쉽게 말하면
기출문제만 통째 외운 학생이 새 문제에 무너지듯 — AI도 과하게 외우면 실전에 약합니다.
실무에서 왜 중요한가
'학습 점수는 좋은데 실전은 별로'인 AI를 설명하는 개념입니다. 신뢰할 모델을 가리는 기준이 됩니다.
유래와 출처
통계학·머신러닝의 근본 개념으로, 모델이 데이터의 신호가 아닌 잡음까지 학습하는 문제를 가리키며 일반화 성능의 핵심 주제입니다.
사례로 이해하기
예를 들어, 예측 모델의 과적합을 점검한다고 해봅시다.
- 학습 — 모델이 학습 데이터에서 만점을 냅니다.
- 의심 — 지나치게 완벽하면 과적합을 의심합니다.
- 검증 — 학습에 안 쓴 새 데이터로 시험합니다.
- 확인 — 새 데이터 성능이 나쁘면 과적합입니다.
- 해결 — 데이터를 늘리거나 모델을 단순화합니다.
관련 용어
머신러닝 · 딥러닝머신러닝은 데이터로 규칙을 스스로 학습하는 AI의 방법, 딥러닝은 그중 인공신경망을 깊게 쌓아 학습하는 강력한 갈래.벤치마크 · 모델 평가AI 모델의 성능을 표준 시험지(벤치마크)와 평가 방법으로 재는 것. '어떤 모델이 더 나은가'를 판단하는 근거.학습 · 추론학습(training)은 데이터로 모델을 '가르치는' 단계, 추론(inference)은 학습된 모델을 '실제로 사용해 답을 얻는' 단계.인공신경망사람 뇌의 뉴런을 본떠, 데이터의 패턴을 층층이 학습하는 AI의 기본 구조. 딥러닝·생성형 AI의 토대.
이 용어와 연결된 교육
📚에이전트 AI 실무 입문나눔경영컨설팅 기업교육 · 대면/온라인과정 보기 →이 주제로 사내 교육이 필요하신가요?
담당자 맞춤 커리큘럼·견적을 바로 받아보세요.
자주 묻는 질문
학습 데이터 성능은 높은데 '새 데이터' 성능이 낮으면 과적합 신호입니다.
데이터 늘리기, 모델 단순화, 검증 데이터로 조기 점검 등이 기본 방법입니다.
학습 데이터엔 정확한데 새(검증) 데이터에서 성능이 크게 떨어지면 과적합입니다.
데이터를 늘리고, 모델을 단순화하며, 정규화·조기 종료 같은 기법을 씁니다.