언더 피팅 - 지나치게 단순해서 데이터의 추이를 따라가지 못한다.오버 피팅 - 지나치게 복잡하다( 지나치게 높은 차수)적당히 따라가서 트랜드를 잘 따라간다 == 일반화 성능이 우수하다.차수가 증가함에 따라 학습 오차는 점점 준다validation은 일정 이상이 되면 오차가 늘어난다.둘다 크면 언더피팅이죠! == 높은 편향!y 만 관측 가능하고, 입실론 때문에 오차가 발생하게 되낟. y의 평균은 h, 분산은 시그마의 제곱이 된다. 노이즈의 평균값은 0이므로 사라지는 값이 생긴다.시그마 제곱 - 원래 데이터를 생성하는 모델에 포함되어 있는 노이즈의 분산Variance - 파라미터를 완벽하게 예측할 수 없기 때문에 생기는 오차bias - 단순화하였기 때문에 생긴 오차정규화 항이 있다면? 람다 값을 어떻게 잘 ..