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

62 lines
2.7 KiB
Markdown

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