핵심
활성화함수는 비선형 변환. 시그모이드 0~1, ReLU는 음수→0. 과적합은 학습만 잘됩니다.
공식
활성화함수: 가중합→비선형 출력 시그모이드: 0~1 ReLU: 음수→0, 양수 그대로 가중치(학습 중 갱신) / 은닉층(깊을수록 복잡) 과대적합(학습↑ 검증↓) vs 과소적합(둘 다↓) 함정: 활성화 출력 범위 혼동, 과대적합↔과소적합
트리거 키워드
예시
'학습 데이터엔 잘 맞지만 새 데이터 성능이 낮으면?' → 과대적합(Overfitting)
인공신경망에서 활성화함수는 입력의 가중합을 비선형으로 변환해 복잡한 패턴 학습을 가능하게 합니다. 시그모이드는 출력을 0~1로 압축하고, ReLU는 음수를 0으로 만들어 기울기 소실 문제를 완화합니다. 과적합(overfitting)은 모형이 학습 데이터에만 잘 맞고 새 데이터에는 성능이 떨어지는 현상입니다. ADsP에서는 활성화함수의 출력 범위와 과적합의 의미를 자주 묻습니다.
3과목 데이터 분석의 데이터 마이닝 영역에서 문제 지문이나 보기에 신경망, 활성화함수, 시그모이드, ReLU, 가중치, 은닉층, 과대적합, 과소적합 같은 표현이 보이면 이 패턴을 먼저 떠올리십시오. 개념을 처음부터 따지지 않고 위 공식에 대입하는 것만으로 보기를 빠르게 좁힐 수 있습니다. 아래 관련 문항 3개가 모두 같은 방식으로 풀립니다.