가중치(weight)2 [머신러닝] 과적합(Overfitting) / 과소적합(Underfitting) ㅇ과적합(Overfitting): 머신러닝 또는 딥러닝 모델이 학습 데이터(training data)에 지나치게 적응하여, 새로운 데이터(테스트 데이터 또는 실제 환경)에서 일반화 성능이 저하되는 현상즉, 모델이 훈련 데이터의 패턴뿐만 아니라 노이즈(noise)나 특이한 패턴까지 학습하여 새로운 데이터에 대해 잘 예측하지 못하는 문제가 발생한다 [과적합 원인]- 훈련 데이터 부족데이터 샘플 수가 적을수록 모델이 특정한 데이터 패턴만 학습하여 일반화 능력이 떨어짐- 모델 복잡도 과다모델이 너무 복잡하면(예: 뉴럴 네트워크의 계층 수가 많거나, 너무 많은 매개변수 사용) 불필요한 패턴까지 학습하게 됨- 훈련 데이터의 노이즈 학습훈련 데이터에 포함된 노이즈까지 학습하여 테스트 데이터에서는 성능이 낮아짐- 훈.. 2025. 2. 17. [딥러닝] 파라미터(parameter)란? ㅁ파라미터(parameter): 머신러닝과 딥러닝 모델에서 학습을 통해 조정되는 값을 의미다시 말하면, 인공지능 모델이 입력 데이터를 처리하면서 출력을 결정하는 가중치(weight)와 편향(bias) 등의 값을 의미 파라미터는 모델이 데이터를 학습하고 예측하는 데 중요한 역할을 하며, 모델의 성능을 결정하는 핵심 요소 중 하나이다이 값들은 학습 과정에서 최적화되며, 새로운 입력에 대해 더 정확한 출력을 생성할 수 있도록 조정된다!✔ 가중치(Weight)- 입력 데이터에 대한 중요도를 결정하는 값- 신경망의 각 연결(뉴런)에서 곱해지는 값✔ 편향(Bias)- 특정 노드가 더 쉽게 활성화되도록 하는 값- 가중치와 함께 신경망의 출력을 조정하는 역할[GPT 버전별 특징 비교]파라미터가 많을수록 모델의 표현력.. 2025. 2. 16. 이전 1 다음
