Antigravity Agent
1.7 KiB
1.7 KiB
id: P-Reinforce-AI-BIAS-VAR category: Unified confidence_score: 1.0 tags: [Bias Variance Tradeoff, Overfitting, Underfitting, Machine Learning] last_reinforced: 2026-04-20
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 (RL Update)
- 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