과잉적합 대응
과잉 적합을 방지하는 가장 확실한 방법은 큰 훈련집합을 사용하는 것!
![](https://velog.velcdn.com/images%2Fpeterpictor%2Fpost%2Ff7b768b2-54ea-4921-b5b3-c6b7821b91bb%2F%E1%84%89%E1%85%B3%E1%84%8F%E1%85%B3%E1%84%85%E1%85%B5%E1%86%AB%E1%84%89%E1%85%A3%E1%86%BA%202021-07-07%20%E1%84%8B%E1%85%A9%E1%84%92%E1%85%AE%206.51.18.png)
- 다른 규제나 모델의 성능 향상을 꾀하지 않아도 훈련집합이 많으면 과잉적합으로부터 자유로워짐
데이터 agument
이동, 회전, 반전
![](https://velog.velcdn.com/images%2Fpeterpictor%2Fpost%2F6b5a81fc-523a-4c78-8080-76493ed4e7ce%2F%E1%84%89%E1%85%B3%E1%84%8F%E1%85%B3%E1%84%85%E1%85%B5%E1%86%AB%E1%84%89%E1%85%A3%E1%86%BA%202021-07-07%20%E1%84%8B%E1%85%A9%E1%84%92%E1%85%AE%206.51.52.png)
- MNIST 에서 같은 숫자 사진을 이동, 회전, 반전시켜 데이터량을 증강
- 수작업 변형, 모든 부류가 같은 변형이 이뤄진다는 단점이 있음
모핑morphing
![](https://velog.velcdn.com/images%2Fpeterpictor%2Fpost%2F20e3e7b1-70ed-4b4d-ba0c-a8477e65116d%2F%E1%84%89%E1%85%B3%E1%84%8F%E1%85%B3%E1%84%85%E1%85%B5%E1%86%AB%E1%84%89%E1%85%A3%E1%86%BA%202021-07-07%20%E1%84%8B%E1%85%A9%E1%84%92%E1%85%AE%206.53.15.png)
- 형태를 찌그려뜨려 일관성있게 증강해온 데이터와 차별화된 다른 데이터를 만들어 냄
자연영상 확대
![](https://velog.velcdn.com/images%2Fpeterpictor%2Fpost%2F1ee53ca7-036c-437e-972f-ed42502476b5%2F%E1%84%89%E1%85%B3%E1%84%8F%E1%85%B3%E1%84%85%E1%85%B5%E1%86%AB%E1%84%89%E1%85%A3%E1%86%BA%202021-07-07%20%E1%84%8B%E1%85%A9%E1%84%92%E1%85%AE%206.54.15.png)
- 영상에 조금씩 영역을 잘라내 이동시켜서 데이터를 증가시킴
- 색상변환도 방법중 한개
잡음을 섞어 확대하는 기법
- 입력 데이터에 잡음을 섞음
- 틀린것을 틀리다라고 할 수 있는 성능을 키우는 의도