- 11컷: 규칙을 몰라 멍한 로봇
- 22컷: 데이터를 잔뜩 먹기 시작!
- 33컷: 반복할수록 똑똑해지는 중
- 44컷: 스스로 답을 찾아낸 로봇
정의와 배경
과소적합은 머신러닝 모델이 주어진 학습 데이터(Training Data)에서 의미 있는 패턴이나 규칙을 제대로 포착하지 못한 상태를 말한다. 이 경우 모델은 훈련 단계에서도, 실제 적용 단계에서도 예측 정확도가 낮게 나타난다. 인간에 비유하면, 시험 범위를 너무 피상적으로 공부해 시험 문제는 물론 교과서 예제조차 제대로 풀지 못하는 상황과 유사하다. 과소적합은 과대적합(Overfitting)의 반대 개념으로, 두 현상 사이에서 적절한 균형을 찾는 것이 모델 설계의 핵심 과제다.
주요 원인과 유형
과소적합의 가장 흔한 원인은 모델의 복잡도(표현력)가 데이터의 실제 구조에 비해 지나치게 단순한 경우다. 예를 들어 비선형적인 관계를 가진 데이터에 단순 선형 모델을 적용하면 과소적합이 발생하기 쉽다. 학습 반복 횟수(에포크)가 부족하거나, 모델에 입력되는 특징(Feature)의 수가 너무 적거나 중요도가 낮은 경우에도 동일한 문제가 나타난다. 또한 정규화(Regularization) 강도를 지나치게 높게 설정하면 모델이 패턴 학습 자체를 억제당해 과소적합으로 이어질 수 있다.
진단과 해소 방법
과소적합은 훈련 데이터에 대한 정확도(훈련 오차)와 검증 데이터에 대한 정확도(검증 오차)가 모두 높게 나타나는 패턴으로 진단된다. 이를 해소하려면 더 복잡한 모델 구조(예: 층이 깊은 인공신경망)를 채택하거나, 입력 특징을 추가·개선하거나, 학습 반복 횟수를 늘리는 방법을 사용한다. 사전학습 모델을 특정 과제에 맞게 재학습하는 파인튜닝(Fine-tuning) 역시 과소적합된 모델의 성능을 끌어올리는 실용적인 접근법 중 하나다. 과소적합과 과대적합 사이의 최적 지점을 찾는 과정을 편향-분산 트레이드오프(Bias-Variance Tradeoff)라 하며, 이는 머신러닝 실무에서 모델 평가의 기본 틀로 활용된다.
정책·실무적 시사점
공공 AI 시스템 도입 시 과소적합은 과대적합만큼 중요하게 점검해야 할 위험 요소다. 과소적합된 모델은 민원 분류, 이상 징후 탐지, 수요 예측 등 실제 행정 업무에서 신뢰할 수 없는 결과를 반복적으로 출력해 정책 판단을 오도할 수 있다. AI 도입 사업의 성과 평가 지표를 설계할 때, 단순히 모델이 '학습을 완료했는지'가 아니라 훈련·검증·실운용 단계별 정확도를 함께 확인하도록 요건을 명시하는 것이 중요하다.
※ 본 상세 설명은 용어집 데이터를 토대로 AI가 생성했습니다. 정확한 내용은 원문 출처를 우선하세요.