지식 · AI 기초
하이퍼파라미터
Hyperparameter
📂AI 기초⏱읽기 1분📊심화🔗관련 4
하이퍼파라미터란?
한 줄 정의
모델이 학습하기 전에 사람이 정해 주는 설정값(학습률·층 수 등). 요리의 '불 세기·시간'에 해당한다.
⚡ 3줄 요약
- 학습 전 사람이 정하는 설정값
- 학습률·층 수 등
- 성능을 크게 좌우
하이퍼파라미터는 모델이 스스로 배우는 값(가중치)과 달리, 학습 전에 사람이 지정하는 설정입니다. 학습률(얼마나 크게 조정할지), 층·노드 수, 배치 크기, 학습 횟수 등이 있습니다. 같은 데이터·모델이라도 이 설정에 따라 성능이 크게 달라집니다.
요리에 비유하면, 재료(데이터)가 같아도 불 세기·시간(하이퍼파라미터)에 따라 결과가 달라지는 것과 같습니다. 최적값은 미리 알기 어려워, 여러 조합을 시험(하이퍼파라미터 튜닝)해 찾습니다. 잘못 잡으면 과적합·학습 실패로 이어지므로, 튜닝은 실무 성능의 큰 부분을 차지합니다.
💡 쉽게 말하면
요리의 불 세기·시간 — 재료(데이터)가 같아도 이 설정에 따라 결과가 달라집니다.
실무에서 왜 중요한가
하이퍼파라미터가 모델 성능을 좌우합니다. 같은 데이터라도 설정에 따라 결과가 크게 달라집니다.
유래와 출처
기계학습 모델 설계·학습 과정에서 '학습되지 않고 지정되는 값'을 가리키는 개념으로 정착했습니다.
사례로 이해하기
예를 들어, 하이퍼파라미터를 튜닝한다고 해봅시다.
- 설정 — 학습률·층 수 등 후보값을 정합니다.
- 학습 — 각 조합으로 모델을 훈련합니다.
- 평가 — 검증 데이터로 성능을 비교합니다.
- 선택 — 가장 좋은 조합을 고릅니다.
- 반복 — 더 나은 값을 찾아 조정합니다.
관련 용어
과적합모델이 학습 데이터를 '너무 외워서' 새 데이터에는 오히려 약해지는 현상. 시험 문제만 달달 외운 학생과 같다.역전파신경망이 오차를 거꾸로 되짚어 각 연결의 가중치를 조정하며 '학습'하는 핵심 알고리즘.머신러닝 · 딥러닝머신러닝은 데이터로 규칙을 스스로 학습하는 AI의 방법, 딥러닝은 그중 인공신경망을 깊게 쌓아 학습하는 강력한 갈래.학습 · 추론학습(training)은 데이터로 모델을 '가르치는' 단계, 추론(inference)은 학습된 모델을 '실제로 사용해 답을 얻는' 단계.
이 용어와 연결된 교육
📚에이전트 AI 실무 입문나눔경영컨설팅 기업교육 · 대면/온라인과정 보기 →이 주제로 사내 교육이 필요하신가요?
담당자 맞춤 커리큘럼·견적을 바로 받아보세요.
자주 묻는 질문
파라미터(가중치)는 모델이 '학습하는' 값, 하이퍼파라미터는 사람이 '지정하는' 설정값입니다.
미리 알기 어려워, 여러 조합을 시험(튜닝)해 검증 성능이 좋은 값을 찾습니다.
파라미터(가중치)는 모델이 '학습하는' 값, 하이퍼파라미터는 사람이 '지정하는' 설정값입니다.
미리 알기 어려워 여러 조합을 시험(튜닝)해 검증 성능이 좋은 값을 찾습니다.