특징의 중요도를 결정하는 가중치

가중치는 머신러닝 모델이 입력 데이터를 처리할 때, 각 특징이 결과에 미치는 영향을 조절하는 값입니다.

쉽게 말해, 가중치는 각 특징의 중요도를 나타내는 숫자입니다.

가중치의 값이 클수록 해당 특징은 결과에 더 큰 영향을 미치며, 값이 작을수록 영향을 적게 미칩니다.

머신러닝 모델이 학습하는 과정은 결국 최적의 가중치를 찾는 과정입니다.

학생의 시험 성적을 예측하는 모델에서 결과에 영향을 미치는 특징으로 공부한 시간(hours_studied)과 수업 참여도(class_participation)를 사용한다고 가정해보겠습니다.

이 두 가지 특징을 사용하여 시험 점수(exam_score)를 예측한다고 가정하면, 이 관계를 다음과 같이 수식으로 표현할 수 있습니다.

$exam\_score = w_1 \times hours\_studied + w_2 \times class\_participation$

여기서 w1과 w2가 각 특징에 적용되는 가중치입니다.

만약 w1이 0.8이고 w2가 0.2라면, 공부한 시간이 시험 성적에 더 큰 영향을 미친다는 의미입니다.

인공 신경망에서는 각 뉴런마다 가중치가 존재합니다.

뉴런 간의 연결이 많아질수록 가중치의 개수도 증가하며, 이를 학습하여 복잡한 패턴을 찾아낼 수 있습니다.

예를 들어 딥러닝에서는 여러 층(Layer)에서 가중치를 조정하면서 더욱 정교한 패턴을 학습합니다.

초기에는 의미 없는 값이었던 가중치가, 학습이 진행될수록 데이터의 패턴을 반영하는 값으로 개선됩니다.

다음 수업에서는 편향(Bias)의 역할과 가중치와의 차이에 대해 알아보겠습니다.