과일 가공업체는 사과를 세 가지 품종으로 분류하는 분류기가 필요합니다. 각 클래스당 150개의 레이블이 지정된 이미지를 가지고 있으며, ImageNet 사전 훈련된 네트워크를 사용하여 전이 학습을 적용했습니다. 튜닝 후 최상의 결과는 훈련 정확도 68%, 검증 정확도 67%였습니다. 정확도를 향상시키기 위해 전문가는 어떤 조치를 취해야 할까요?

현재 훈련 정확도 68%, 검증 정확도 67%는 모델이 과일 품종을 잘 분류하지 못하고 있음을 나타냅니다. 이는 모델이 데이터의 패턴을 충분히 학습하지 못하는 '높은 편향(High Bias)' 상태일 가능성이 높습니다. 편향을 줄이는 가장 효과적인 방법 중 하나는 더 많은 레이블이 지정된 훈련 데이터를 추가하여 모델이 다양한 특징을 학습할 수 있도록 하는 것입니다. 하이퍼파라미터 최적화는 도움이 될 수 있지만, 데이터 부족으로 인한 편향 문제를 해결하는 데는 한계가 있습니다. 더 깊은 네트워크로 전환하는 것은 모델 복잡도를 높여 과적합(분산 증가)을 유발할 수 있으며, 동일한 데이터셋으로 재훈련하는 것은 결과에 큰 변화를 주지 않을 것입니다.