728x90
공통점 | 둘 다 머신러닝 모형의 특징을 나타내는 요소 | |
차이점 | 파라미터 (parameter) |
- 데이터에 기반한 값으로 머신러닝 모형의 특징을 나타냄 - 파라미터는 새로운 데이터를 예측 또는 분류하는 데 영향을 미침 |
ex) 정규분포의 파라미터는 평균과 분산 (평균과 분산이 얼마냐에 따라 정규 분포의 형태가 달라짐) | ||
하이퍼 파라미터 (hyper parameter) |
주어진 데이터로부터 구하는 것이 아닌 외부 사용자가 직접 입력해야 하는 값 | |
ex) k-평균 알고리즘의 모형 생성 시 k값 |
데이터로부터 최적의 파라미터를 구하고 적절한 하이퍼 파라미터 튜닝을 통해 모형 성능을 높일 수 있다.
참고 : (선형대수와 통계학으로 배우는) 머신러닝 with 파이썬 :최적화 개념부터 텐서플로를 활용한 딥러닝까지 _ 장철원 지음
'AI > Machine Learning' 카테고리의 다른 글
mAP를 알아보자(간단 명료 설명) (0) | 2023.09.14 |
---|---|
F1 score가 산술평균이 아닌 조화평균을 사용하는 이유 (0) | 2023.09.14 |
[펌] [이석중의 알기쉬운 인공지능] 과적합(overfitting) 해결 방법: regularization (0) | 2021.10.22 |
light gbm, xgboost 예제 코드 및 하이퍼파라미터 튜닝 (0) | 2021.09.17 |
[펌] 파이썬 데이터 스케일링(정규화, 표준화) 관련 조언, 방법 (0) | 2021.07.21 |