과적합(overfitting)은 훈련 데이터에는 잘 맞지만 새 데이터에 대한 일반화(generalization)가 잘 되지 않는 현상이다. 표본 부족, 잡음(noise), 지나친 모델 복잡도 등이 원인일 수 있다. 검증 결과에 따른 조기 종료(early stopping), 특징 선택(feature selection), 규제화(regularization), 앙상블(ensemble), 의미를 보존하는 데이터 증강(data augmentation)을 검토한다. 규제화는 모델이 지나치게 복잡해지는 것을 억제하는 방법이며, 입력의 척도를 조정하는 정규화(normalization)와 다르다. K-폴드 교차 검증(k-fold cross-validation)을 써도 같은 고객의 중복 데이터나 미래 정보에 의한 누수(data leakage)를 자동으로 막지는 못한다. 증강의 목적은 학습할 의미를 유지하면서 다양한 입력을 제공하는 것이지, 필요한 특징을 학습하지 못하게 만드는 것이 아니다.
AIF-C01 영역 1 — 데이터·학습·추론과 서비스 선택. 배송 사진 사례는 자체 예시.
적용 범위: 과적합(overfitting) 방지 기법을 비교하는 설명이다. 개별 서비스 설정이나 그림에 따른 구현 절차를 대신하지 않는다.