문제 최종 검수

BG 빅데이터 결과 해석 분석모형 평가 및 개선 분석모형 개선

10206번

문제

보기

입력된 내용이 없습니다.

선택지1

선택지2

선택지3

선택지4

정답

키워드

해설

비기봇 해설

정답은 3번입니다.

이 문제는 심층 신경망 학습 과정에서 과적합을 억제하기 위한 전략과, 과적합 억제가 아닌 다른 목적을 가진 기법을 구분할 수 있는지를 묻는 문제입니다. 과적합 억제 전략은 주로 모델의 복잡도를 낮추거나 학습 데이터에 대한 과도한 적합을 방지하여 일반화 성능을 향상시키는 데 목적이 있습니다. 반면, 학습 안정성이나 최적화 문제 해결을 주목적으로 하는 기법은 과적합 억제 전략으로 보기 어렵습니다.

1. 조기 종료는 검증 데이터 오차가 증가하기 시작하면 학습을 중단하여 모델의 일반화 성능을 유지한다.
: 학습이 진행되면서 훈련 데이터에 대한 성능은 계속 향상되지만, 검증 데이터의 오차가 증가하기 시작하는 시점은 과적합이 발생했음을 의미합니다. 이때 학습을 중단하면 훈련 데이터에 대한 과도한 적합을 방지할 수 있으므로, 과적합 억제 전략에 해당합니다.

2. 드롭아웃은 학습 중 일부 뉴런을 무작위로 비활성화해 공적응을 방지하고 앙상블 효과를 유도한다.
: 학습 과정에서 일부 뉴런을 임의로 제거함으로써 특정 뉴런이나 가중치에 대한 의존을 줄이고, 여러 서로 다른 부분 모델을 학습시키는 효과를 냅니다. 이는 모델의 일반화 성능을 향상시키는 대표적인 과적합 억제 기법입니다.

3. ReLU는 기울기 소실 문제를 줄이고 깊은 층에서도 효과적으로 학습이 이루어지도록 한다.
: ReLU 활성화 함수는 기울기 소실 문제를 완화하여 깊은 신경망에서도 학습이 안정적으로 이루어지도록 돕는 역할을 합니다. 이는 주로 학습 효율과 최적화 문제 해결을 위한 기법으로, 과적합을 직접적으로 억제하는 전략으로 보기는 어렵습니다.

4. 가중치 규제는 \\(L_1\\) 또는 \\(L_2\\)를 적용해 가중치를 조절하고 모델 복잡도를 낮춘다.
: 가중치의 크기에 제약을 두어 불필요하게 큰 가중치가 형성되는 것을 방지하고, 모델의 복잡도를 낮춤으로써 훈련 데이터에 대한 과도한 적합을 억제합니다. 이는 전형적인 과적합 완화 기법입니다.

종합하면, 조기 종료, 드롭아웃, 가중치 규제는 모두 모델의 복잡도를 제어하거나 학습 과정에서 일반화 성능을 높이기 위한 과적합 억제 전략입니다. 반면 ReLU는 활성화 함수로서 기울기 소실 문제를 해결하고 학습을 원활하게 하는 데 목적이 있어 과적합 억제 전략과는 성격이 다릅니다.

따라서, 정답은 '3. ReLU는 기울기 소실 문제를 줄이고 깊은 층에서도 효과적으로 학습이 이루어지도록 한다.'입니다.

1차 검수 상태 :

입력 데이터

문제 최종 검수

수정 가능 범위 확인