[G1-Sync] Manual knowledge update

10_Wiki/Topics/Overfitting.md

@@ -1,8 +1,8 @@
 ---
-id: P-REINFORCE-AUTO-OVER-001
+id: [[P-Reinforce]]-AUTO-OVER-001
 category: "10_Wiki/💡 Topics/AI"
 confidence_score: 0.98
-tags: [auto-reinforced, overfitting, machine-learning, model-evaluation, generalization, deep-learning]
+tags: [auto-reinforced, overfitting, machine-learning, model-evaluation, generalization, [[Deep-Learning]]]
 last_reinforced: 2026-04-20
 ---
 
@@ -15,11 +15,11 @@ last_reinforced: 2026-04-20
 과적합(Overfitting)은 모델이 학습 데이터의 노이즈나 세부 사항에 지나치게 적응하여, 새로운 데이터에 대한 일반화 능력을 잃는 현상입니다.
 
 1.  **원인**:
-    *   **High Complexity**: 데이터에 비해 모델 파라미터가 너무 많음. (L2-Regularization과 연결)
+    *   **High Complexity**: 데이터에 비해 모델 파라미터가 너무 많음. ([[L2-Regularization]]과 연결)
     *   **Lack of Data**: 훈련 데이터가 너무 적어 특수한 케이스를 일반적 법칙으로 오해함.
-    *   **Noise learning**: 데이터 속의 무의미한 잡음까지 법칙으로 학습함. (Noise와 연결)
+    *   **[[Noise]] learning**: 데이터 속의 무의미한 잡음까지 법칙으로 학습함. (Noise와 연결)
 2.  **해결책 (방역 기법)**:
-    *   **Regularization**: 가중치에 벌금을 매겨 모델을 단순화. (L2-Regularization와 연결)
+    *   **[[Regularization]]**: 가중치에 벌금을 매겨 모델을 단순화. (L2-Regularization와 연결)
     *   **Cross Validation**: 데이터를 여러 뭉치로 나눠 교차 검증.
     *   **Early Stopping**: 실전 성능이 떨어지기 직전에 학습을 멈춤.
     *   **Dropout**: 학습 시 신경망의 일부 노드를 무작위로 꺼서 의존성 분산.