[면접 합격자료] 트릿지 Machine Learning Engineer 합격 문항 기출 최종합격

1. 머신러닝 모델의 오버피팅과 언더피팅의 차이점은 무엇인가요 이를 방지하기 위한 방법들을 설명하세요.

머신러닝 모델의 오버피팅과 언더피팅은 모델이 데이터에 과도하게 맞춰졌거나 충분히 학습되지 않은 상태를 의미합니다. 오버피팅은 모델이 학습 데이터에 지나치게 적합하여 새로운 데이터에 대한 일반화 능력이 떨어지고, 테스트 성능이 크게 저하됩니다. 예를 들어, 회귀 분석에서 R² 값이 학습 데이터에서는 0. 99인데 테스트 데이터에서는 0. 70으로 떨어진 경우입니다. 언더피팅은 모델이 데이터의 패턴을 잘 학습하지 못한 상태로, 학습 성능이 낮고 테스트 성능도 저조합니다. 예를 들어, 신경망이 충분히 학습되지 않아 정확도가 60%에 머무른 경우입니다. 이를 방지하기 위해서는 교차 검증(cross-validation)을 활용하여 모델의 일반화 성능을 검증하며, 적절한 복잡도 조절이 필요합니다. Fruhling과 같은 규제기법(L1, L2 정규화)을 적용하여 과적합을 방지하거나, 드롭아웃(dropout), 조기 종료(early stopping) 기법으로 학습 과정을 조절할 수 있습니다. 또한, 데이터를 증강하거나, 모델의 복잡도를 낮추는 것도 효과적입니다. 적절한 하…