꿈라CBT다음 <보기>의 구현에 대한 지적으로 가장 적절한 것은?
보기
과대적합을 줄이기 위해 다음과 같이 구현하였다.
- ㉠ 드롭아웃 비율을 0.5로 설정하고, 추론(예측) 단계에서도 동일하게 뉴런을 무작위로 끈다.
- ㉡ 데이터 증강을 학습 데이터와 검증 데이터 모두에 적용해 양쪽 규모를 함께 늘렸다.
- ㉢ L2 규제 계수를 교차검증으로 탐색해 검증 손실이 최소인 값을 선택하였다.
- 1㉠·㉡·㉢ 모두 올바른 구현이며, 세 기법을 함께 적용했으므로 과대적합은 확실히 해소된다.
- 2㉠은 추론에서도 드롭아웃을 적용한 잘못된 구현이고, ㉡은 검증 데이터까지 증강해 평가 기준이 어긋났으며, ㉢만 올바르다.
- 3㉠은 추론에서도 드롭아웃을 적용해야 앙상블 효과가 생기므로 올바르고, ㉢은 검증 손실이 아니라 학습 손실이 최소인 계수를 선택해야 한다.
- 4㉡은 데이터가 많아지므로 항상 바람직하고, ㉢은 규제 계수를 교차검증으로 정하면 계산 비용이 크므로 0.01로 고정하는 것이 표준이다.