[면접 합격자료] 현대카드 [Junior] SW Engineer(Data ML) 합격 문항 기출 최종합격

1. 머신러닝 모델을 설계할 때 오버피팅을 방지하기 위한 방법에는 어떤 것들이 있나요

머신러닝 모델의 오버피팅 방지를 위해서는 여러 방법이 있습니다. 데이터 양을 늘리는 것이 가장 효과적입니다. 예를 들어, 이미지 인식 분야에서는 데이터 증강 기법(회전, 크기 변경, 노이즈 추가 등)을 통해 훈련 데이터량을 최소 50% 이상 증가시켜 과적합률을 낮출 수 있습니다. 둘째로, 정규화 기법이 중요한데, L2 또는 L1 정규화를 통해 모델 가중치의 크기를 제한하여 복잡도를 낮춥니다. 실제로 L2 정규화를 적용했을 때, 검증 손실이 10% 이상 낮아지고 일반화 성능이 향상된 사례를 경험했습니다. 또한, 드롭아웃(Dropout)은 신경망에서 과적합을 막는 데 효과적이며, 드롭아웃 비율을 0. 2~0. 5로 설정하면 학습 안정성과 일반화가 개선됩니다. 조기 종료(Early stopping)도 유용하며, 검증 손실이 일정 에폭 이후 증가하는 시점에서 학습을 중단하면 오버피팅을 방지할 수 있습니다. 일정 비율(예를 들어 20%)의 검증 데이터를 활용하여 최적 시점에서 학습을 멈추는 전략이 구체적 사례로 알려져 있습니다. 교차 검증을 통해 모델의 일반화 성능을 평가하는 것 역시 …