TechCodeview

머신러닝의 하이퍼파라미터는 학습 프로세스를 제어하기 위해 사용자가 명시적으로 정의한 매개변수입니다. 이러한 하이퍼파라미터는 모델의 학습을 향상시키는 데 사용되며, 해당 값은 모델의 학습 프로세스를 시작하기 전에 설정됩니다.

이 주제에서는 기계 학습의 가장 중요한 개념 중 하나인 하이퍼파라미터, 그 예, 하이퍼파라미터 튜닝, 하이퍼파라미터 범주, 하이퍼파라미터가 머신러닝의 매개변수와 어떻게 다른지에 대해 논의하겠습니다. 하지만 시작하기 전에 먼저 Hyperparameter에 대해 알아보겠습니다.

하이퍼파라미터란 무엇입니까?

머신러닝/딥러닝에서 모델은 매개변수로 표현됩니다. 이와 대조적으로 훈련 프로세스에는 최상의 결과를 제공하기 위해 학습 알고리즘에서 사용되는 최상의/최적 하이퍼 매개변수를 선택하는 작업이 포함됩니다. 그렇다면 이러한 하이퍼파라미터는 무엇일까요? 정답은, ' 하이퍼파라미터는 학습 과정을 제어하기 위해 사용자가 명시적으로 정의한 매개변수로 정의됩니다.

여기서 접두사 '하이퍼'는 매개변수가 학습 프로세스를 제어하는 ​​데 사용되는 최상위 매개변수임을 나타냅니다. 하이퍼파라미터의 값은 학습 알고리즘이 모델 학습을 시작하기 전에 기계 학습 엔지니어가 선택하고 설정합니다. 따라서 이는 모델 외부에 있으며 훈련 과정 중에 해당 값을 변경할 수 없습니다. .

C에서 포인터를 역참조하는 방법

머신러닝의 하이퍼파라미터의 몇 가지 예

• kNN의 k 또는 K-Nearest Neighbor 알고리즘
• 신경망 훈련을 위한 학습률
• 열차-테스트 분할 비율
• 배치 크기
• 에포크 수
• 의사결정 트리의 분기
• 클러스터링 알고리즘의 클러스터 수

매개변수와 하이퍼 매개변수의 차이점은 무엇인가요?

매개변수와 하이퍼파라미터 또는 모델 하이퍼파라미터 사이에는 항상 큰 혼동이 있습니다. 따라서 이러한 혼란을 없애기 위해 둘 사이의 차이점과 서로 어떻게 관련되어 있는지 이해해 봅시다.

모델 매개변수:

모델 매개변수는 모델 내부에 있는 구성 변수이며, 모델은 이를 자체적으로 학습합니다. 예를 들어 , W 선형 회귀 모델에서 독립 변수의 가중치 또는 계수 . 또는 SVM의 독립 변수의 가중치 또는 계수, 신경망의 가중치 및 편향, 클러스터링의 클러스터 중심. 모델 매개변수의 몇 가지 핵심 사항은 다음과 같습니다.

• 예측을 위해 모델에서 사용됩니다.
• 모델은 데이터 자체에서 학습합니다.
• 일반적으로 수동으로 설정되지 않습니다.
• 이는 모델의 일부이자 기계 학습 알고리즘의 핵심입니다.

모델 초매개변수:

하이퍼파라미터는 학습 과정을 제어하기 위해 사용자가 명시적으로 정의한 매개변수입니다. 모델 매개변수의 몇 가지 핵심 사항은 다음과 같습니다.

• 이는 일반적으로 기계 학습 엔지니어가 수동으로 정의합니다.
• 주어진 문제에 대한 하이퍼파라미터의 정확한 최적 값을 알 수 없습니다. 최상의 값은 경험 법칙이나 시행착오를 통해 결정될 수 있습니다.
• 하이퍼파라미터의 몇 가지 예는 다음과 같습니다. 신경망 훈련을 위한 학습률 KNN 알고리즘의 K

하이퍼파라미터 카테고리

하이퍼파라미터는 크게 두 가지 범주로 나눌 수 있으며, 그 범주는 다음과 같습니다.

최적화를 위한 초매개변수 특정 모델에 대한 초매개변수

최적화를 위한 초매개변수

사용할 최상의 하이퍼파라미터를 선택하는 프로세스를 하이퍼파라미터 튜닝이라고 하며, 튜닝 프로세스를 하이퍼파라미터 최적화라고도 합니다. 최적화 매개변수는 모델을 최적화하는 데 사용됩니다.

널리 사용되는 최적화 매개변수 중 일부는 다음과 같습니다.

학습률:학습률은 모델의 가중치가 업데이트될 때마다 예상 오류에 대한 응답으로 모델이 얼마나 변경되어야 하는지를 제어하는 ​​최적화 알고리즘의 하이퍼파라미터입니다. 신경망을 구축하는 데 중요한 매개변수 중 하나이며, 모델 매개변수와의 교차 확인 빈도를 결정하기도 합니다. 최적화된 학습률을 선택하는 것은 어려운 작업입니다. 학습률이 매우 낮으면 훈련 프로세스가 느려질 수 있기 때문입니다. 반면 학습률이 너무 크면 모델이 제대로 최적화되지 않을 수 있습니다.

참고: 학습률은 모델 최적화를 위한 중요한 하이퍼 매개변수이므로 단일 하이퍼 매개변수만 조정해야 하는 경우 학습률을 조정하는 것이 좋습니다.

배치 크기:학습 과정의 속도를 높이기 위해 훈련 세트는 배치라고 알려진 여러 하위 세트로 나뉩니다. 에포크 수: 에포크는 기계 학습 모델을 훈련하기 위한 전체 주기로 정의할 수 있습니다. Epoch는 반복적인 학습 프로세스를 나타냅니다. 에포크의 수는 모델마다 다르며, 하나 이상의 에포크를 사용하여 다양한 모델이 생성됩니다. 올바른 시대 수를 결정하기 위해 유효성 검사 오류가 고려됩니다. 검증 오류가 줄어들 때까지 에포크 수가 증가합니다. 연속된 에포크 동안 감소 오차의 개선이 없으면 에포크 수 증가를 중단하라는 의미입니다.

특정 모델에 대한 초매개변수

모델의 구조와 관련된 하이퍼파라미터를 특정 모델의 하이퍼파라미터라고 합니다. 이는 아래와 같습니다:

숨겨진 유닛의 수:히든 유닛은 신경망의 입력 유닛과 출력 유닛 사이의 프로세서 계층을 구성하는 구성 요소를 의미하는 신경망의 일부입니다.

신경망에 대한 숨겨진 단위 하이퍼파라미터의 수를 지정하는 것이 중요합니다. 입력 레이어의 크기와 출력 레이어의 크기 사이에 있어야 합니다. 보다 구체적으로, 은닉 유닛의 수는 입력 레이어 크기의 2/3에 출력 레이어 크기를 더한 값이어야 합니다.

복잡한 함수의 경우 은닉 유닛의 수를 지정해야 하지만 모델에 과적합되어서는 안 됩니다.

레이어 수:신경망은 레이어라고 불리는 수직으로 배열된 구성 요소로 구성됩니다. 주로 있다 입력층, 은닉층, 출력층 . 3계층 신경망은 2계층 신경망보다 더 나은 성능을 제공합니다. 컨볼루셔널 신경망의 경우 레이어 수가 많을수록 더 나은 모델이 됩니다.

결론

하이퍼파라미터는 기계 학습 알고리즘을 데이터 세트에 적용하기 전에 학습 프로세스를 제어하기 위해 명시적으로 정의된 매개 변수입니다. 이는 모델의 학습 능력과 복잡성을 지정하는 데 사용됩니다. 하이퍼파라미터 중 일부는 배치 크기, 학습률 등과 같은 모델 최적화에 사용되며 일부는 숨겨진 레이어 수 등과 같은 모델에만 사용됩니다.