2nd/10_Wiki/Topics/AI_and_ML/Bias-Variance-Tradeoff.md

id, title, category, status, canonical_id, aliases, duplicate_of, source_trust_level, confidence_score, tags, raw_sources, last_reinforced, github_commit, inferred_by

id	title	category	status	canonical_id	aliases	duplicate_of	source_trust_level	confidence_score	tags	raw_sources	last_reinforced	github_commit	inferred_by
wiki-2026-0508-bias-variance-tradeoff	Bias Variance Tradeoff	10_Wiki/Topics	needs_review	self	P-Reinforce-AI-BIAS-VAR	none	A	1.0	Bias Variance Tradeoff Overfitting Underfitting Machine Learning		2026-04-20	pending	Claude Opus 4.7 (auto-normalize 2026-05-08)

Bias-Variance-Tradeoff (편향-분산 트레이드오프)

📌 한 줄 통찰 (The Karpathy Summary)

"너무 단순해도, 너무 복잡해도 망한다." 모델이 데이터를 너무 대충 배워 생기는 오차(Bias)와, 너무 깐깐하게 배워 생기는 오차(Variance) 사이의 황금 밸런스를 찾는 머신러닝의 숙명적 과제다.

📖 구조화된 지식 (Synthesized Content)

• High Bias (Underfitting):
  • 모델이 너무 단순하여 데이터의 본질적 패턴을 잡지 못함. (예: 곡선을 직선으로 설명하려 할 때)
• High Variance (Overfitting):
  • 모델이 너무 복잡하여 데이터의 노이즈까지 다 외워버림. 새로운 데이터를 넣으면 엉뚱한 결과가 나옴.
• Total Error Reduction:
  • 편향과 분산의 합이 최소가 되는 지점이 바로 모델의 일반화 성능(Generalization)이 가장 높은 구간이다.

⚠️ 모순 및 업데이트 (Contradictions & Updates)

• 최근의 초거대 모델(LLM)들은 'Double Descent' 현상에 의해, 모델을 극한으로 키우면 오히려 분산이 다시 줄어들며 성능이 좋아지는 기이한 현상이 발견되고 있다. 이는 전통적인 트레이드오프 이론을 재정립하게 만들고 있다.

🔗 지식 연결 (Graph)

• Related: Regularization-Techniques , Model-Optimization-Strategies
• Foundation: Computational Theory & Math/Information Theory

🤖 LLM 활용 힌트 (How to Use This Knowledge)

언제 이 지식을 쓰는가:

• (TODO)

언제 쓰면 안 되는가:

• (TODO)

🧪 검증 상태 (Validation)

• 정보 상태: needs_review
• 출처 신뢰도: A
• 검토 이유: (P-Reinforce Phase 1 자동 정규화. 본문 검증 필요.)

🧬 중복 검사 (Duplicate Check)

• 기존 유사 문서: (TODO: 인덱서 클러스터 리포트 참조)
• 처리 방식: UPDATE (자동 정규화)
• 처리 이유: Phase 1 정규화 — 옛 템플릿/누락 필드 보강.

🕓 변경 이력 (Changelog)

날짜	변경 내용	처리 방식	신뢰도
2026-05-08	P-Reinforce Phase 1 정규화 (frontmatter + 헤더 표준화)	UPDATE	A