한 보험사가 자동차 사진에서 긁힘과 찌그러짐을 찾기 위해 Amazon SageMaker 내장 Object Detection 모델(TensorFlow)을 훈련했습니다. 이 모델은 테스트 세트보다 훈련 세트에서 훨씬 더 나은 성능을 보입니다. 테스트(검증) 데이터에서 모델의 성능을 개선하기 위해 가장 적절한 조치는 무엇입니까?

모델이 훈련 세트에서는 잘 작동하지만 테스트 세트에서는 성능이 저조하다는 것은 과적합(overfitting)이 발생했음을 나타냅니다. 과적합은 모델이 훈련 데이터의 노이즈까지 학습하여 일반화 능력이 떨어질 때 발생합니다. L2 정규화(weight decay)는 모델의 가중치가 너무 커지는 것을 방지하여 모델의 복잡성을 줄이고 과적합을 완화하는 데 도움이 됩니다. 따라서 L2(weight decay) 하이퍼파라미터를 늘리는 것이 가장 적절한 조치입니다. momentum 하이퍼파라미터를 늘리는 것은 최적화 속도에 영향을 주지만 과적합을 직접적으로 해결하지는 않습니다. dropoutrate 하이퍼파라미터를 줄이는 것은 모델의 복잡성을 증가시켜 과적합을 악화시킬 수 있습니다. learningrate 하이퍼파라미터를 줄이는 것은 최적화 과정을 더 안정적으로 만들 수 있지만, 과적합 자체를 해결하는 직접적인 방법은 아닙니다.