[면접 합격자료] 11번가 Machine Learning Engineer 합격 문항 기출 최종합격

1. 머신러닝 모델의 과적합(overfitting)과 과소적합(underfitting)의 차이점은 무엇이며, 이를 방지하기 위한 방법은 무엇인가요

머신러닝 모델의 과적합은 학습 데이터에 너무 잘 맞아 새로운 데이터에서는 성능이 저하되는 현상입니다. 과도하게 복잡한 모델이 훈련 데이터를 완벽히 학습하면서 잡음까지 포함하는 경우가 많아, 테스트 데이터에서의 정확도가 10% 이상 낮아질 수 있습니다. 반면에 과소적합은 모델이 학습 데이터의 패턴을 제대로 학습하지 못해, 훈련 데이터와 테스트 데이터 모두에서 낮은 성능을 보입니다. 예를 들어, 복잡도가 낮은 선형 회귀 모델이 비선형 패턴을 잡지 못하는 경우입니다. K-폴드 검증)을 활용해 모델의 일반화 능력을 검증하고, 정규화 기법(L1, L2 정규화)을 적용하여 모델 복잡도를 조절합니다. 또한, 학습 데이터를 늘리거나 특징 선택(feature selection), 드롭아웃(dropout) 기법을 도입하여 모델의 과적합을 방지할 수 있습니다. 랜덤 포레스트나 앙상블 기법으로도 안정적인 성능 향상이 가능합니다. 이를 통해 과적합은 검증 세트 성능 저하를 유발하며, 과소적합은 전반적 성능 개선이 필요하다는 차이를 이해하는 것…