Update ml_landscape.ipynb

Author: liganega

ml_landscape.ipynb

@@ -594,7 +594,33 @@
     "선형 회귀 모델뿐만 아니라, 머신러닝의 어떤 모델이든 훈련 과정에서 과대적합에 빠질 위험이 존재한다. 이러한 현상은 모델이 훈련 데이터의 특성 또는 이상치 등의 노이즈에 민감하게 반응하여 예측값을 도출할 때 발생한다. \n",
     "\n",
     "이를 방지하기 위해 모델의 훈련 데이터에 대한 민감도를 줄이는 **규제**<font size='2'>regularization</font>를 가하는 기법을 적용한다.\n",
-    "예를 들어, 선형 회귀 모델에 규제를 적용한 대표적인 알고리즘이 바로 **릿지 회귀**<font size='2'>Ridge Regression</font> 모델이다."
+    "예를 들어, 선형 회귀 모델에 규제를 적용한 대표적인 알고리즘이 바로 **릿지 회귀**<font size='2'>Ridge Regression</font> 모델이다.\n",
+    "\n",
+    "릿지 회귀 모델은 선형 회귀 모델의 과대적합을 완화시키는 규제가 추가된 선형 회귀 모델이며, 아래 그래프는 9개 국을 제외시키고 훈련시켰음에도 불구하고\n",
+    "릿지 회귀 모델(파랑 파선)의 예측 성능이 9개 국을 포함시킨 선형 회귀 모델(검정 실선)과 큰 차이가 없음을 잘 보여준다."
+   ]
+  },
+  {
+   "cell_type": "markdown",
+   "metadata": {},
+   "source": [
+    "<div align=\"center\">\n",
+    "    <img src=\"https://github.com/codingalzi/code-workout-ml/blob/master/images/ch01/homl01-21-c.png?raw=true\" width=\"650\">\n",
+    "</div>"
+   ]
+  },
+  {
+   "cell_type": "markdown",
+   "metadata": {},
+   "source": [
+    "결과적으로 규제가 적용된 모델은 훈련 데이터에 대한 성능은 조금 낮아질 수 있지만, \n",
+    "훈련된 모델의 데이터에 대한 민감도는 약해진다.\n",
+    "하지만 이는 훈련된 모델의 새로운 데이터에 대한 예측 성능인 **일반화 능력**을 향상시킨다.\n",
+    "\n",
+    "성공적인 머신러닝 모델 훈련을 위해서는 다음 두 가지 사항을 동시에 충족해야 한다.\n",
+    "\n",
+    "1. 훈련 데이터셋에 대한 예측 오차를 최소화해야 한다.\n",
+    "1. 과대적합을 방지하여 새로운 데이터에 대한 일반화 성능을 높여야 한다."
    ]
   },
   {