dev.ssun

모델의 적합성 1) 희소적합 (Underfit) - 전혀 똥오줌 못 가리는 상태 (모델 자체가 잘못 설계되었거나, 학습 초기단계) 2) 적합 (Fit) - 아주 일반화가 잘 된 케이스 (적절하게 학습 되었다) 3) 과적합 (Overfit) - 너무 암기를 많이 한 케이스 (많은 파라메터를 써서, 너무 오랫동안 학습을 시킴) -> 모든 데이터를 그냥 외우게 되는 것, 응용능력이 없음 과적합을 피하기 위해 전체 데이터셋을 학습(Training)과 검증(Validation)용으로 분리 학습용 : 모델의 학습에만 사용 검증용 : 모델의 성능 및 손실 등을 검증하는 데 사용 과적합이 발생했다고 판단되는 순간 정지해야 함

ML - Generation - 출생률(natality)에 대한 데이터셋의 소개 완벽히 제어되는 세상이라면 모든 신생아/영아들은 건강 상태에 따라 적절한 의료 케어를 받을 수 있을 것 하지만 태어난 직후, 의료진의 부족 및 확인에 따른 대처 시간 소요 등 어려운 점이 있다 만일 태어나기 전 건강 상태를 예측한다면? 적절한 조치가 수월하게 이뤄질 것이다 Q. 아기들의 건강 상태를 태어나기 전에 예측할 수 있을까? 모델에 사용될 법한 Feature 산모의 나이 아기의 몸무게 -> 특정 문제의 해결은 특정 분야에 대한 지식 필요 - BigQuery 플랫폼에서는 출생률 데이터셋을 개방하여 제공함 https://cloud.google.com/bigquery/docs/bigqueryml-natality 아래 링크의..