728x90 반응형 regularization2 머신러닝에서 L1, L2 규제 머신러닝 모델을 만들다 보면 종종 “과적합(overfitting)”이라는 문제를 마주하게 됩니다.학습 데이터에는 잘 맞지만, 실제 데이터에서는 성능이 떨어지는 현상이죠.이런 과적합을 방지하기 위한 대표적인 기법 중 하나가 바로"정규화(Regularization)", 그 중에서도 L1, L2 규제입니다.이번 글에서는 L1, L2 규제가 무엇인지, 어떤 차이가 있는지,그리고 실제로 어떻게 적용하는지를 정리해보겠습니다.왜 규제가 필요한가요?머신러닝 모델은 보통 다음과 같은 손실 함수(Loss Function)를 최소화하려고 학습합니다:Loss = 예측값과 실제값의 차이하지만 모델이 너무 복잡하거나 파라미터가 너무 많으면학습 데이터에만 지나치게 최적화되어테스트 데이터에서는 성능이 떨어질 수 있어요.이를 방지하기.. 2025. 4. 13. 머신러닝에서의 정규화(Regularization) 머신러닝에서의 정규화(Regularization)란?머신러닝 모델을 처음 접할 때는 데이터에 잘 맞는 모델을 만드는 것이 중요하다고 생각하기 쉽습니다.하지만 실제 문제에선 훈련 데이터에만 너무 잘 맞는 모델은 과적합(overfitting) 되기 쉽고,새로운 데이터에 대한 예측 성능이 떨어질 수 있습니다.이때 등장하는 핵심 개념이 바로 정규화(Regularization) 입니다.1. 정규화의 정의정규화(Regularization)는 머신러닝 모델이 너무 복잡해지는 것을 방지하고,과적합을 줄이기 위해 패널티를 추가하는 방법입니다.간단히 말하면, 모델이 너무 자유롭게 학습하지 않도록 일정한 제약을 거는 것입니다.2. 왜 정규화가 필요한가요?모델이 너무 복잡하면 훈련 데이터에는 잘 맞지만, 테스트 데이터에는 성.. 2025. 4. 9. 이전 1 다음 728x90 반응형
