AITerms 登入
機器學習模型訓練神經網路

模型參數(Parameters)是什麼?

模型參數是機器學習模型在訓練過程中學習到的數值,用於決定模型如何對輸入資料進行轉換和預測。它們是模型的內部變數。

完整定義

在機器學習中,模型參數是指模型在訓練過程中學習到的數值,這些數值決定了模型如何對輸入資料進行轉換和預測。模型參數是模型的內部變數,它們的值會影響模型的輸出結果。模型訓練的目標就是找到最佳的模型參數,使得模型能夠在訓練資料和測試資料上都表現良好。

白話說明

你在訓練模型時,有沒有想過它到底學進腦袋的是什麼?

你可以把 模型參數 想成 模型學到的就是這些數值。

訓練真正改變的,就是參數,參數就是模型訓練後學到的數值 這件事就特別重要。

記住這句

參數就是模型訓練後學到的數值

比喻:模型參數就像廚師食譜裡的「調味料份量」 -- 鹽要放多少、糖要放多少,這些數值不是人給的,而是模型自己從訓練資料中學會的,決定了最後菜餚(預測結果)的味道。

容易混淆

模型參數 vs 超參數

參數是模型在訓練中自己學習的內部值;超參數是訓練前人為設定的值,例如學習率、模型層數,兩者都影響模型表現,但調整方式不同。

最關鍵的區別:一個是模型學到的值,一個是人先設的值。

模型參數 vs 超參數

參數是模型自己學出來的數值,超參數是人先設好的設定

最關鍵的區別:一個靠訓練學,一個靠人先決定。

實際案例

案例 1:線性迴歸學到的斜率和截距,就是參數

案例 2:神經網路訓練後,權重和偏差都屬於參數

演算法與應用

核心意思就是:參數就是模型訓練後學到的數值。

神經網路裡的權重和偏差都屬於參數

訓練時會透過損失函數和梯度下降去調整它們

情境判斷

Q2(判斷題): 參數多就一定比較好嗎?

看情況,參數多代表容量大,但資料和訓練不夠時也更容易過擬合

常見問題

範例考題

某團隊訓練深層神經網路模型時,發現訓練誤差長時間幾乎不下降,模型參數更新幅度極小,呈現學習停滯現象。若研判問題與梯度傳遞效率有關,下列何者最適合的改善策略?

  1. A延長模型訓練時間,使模型有更多機會調整參數
  2. B增加訓練樣本數量,以提升模型學習能力
  3. C調整模型中的啟動函數設定,以改善訓練過程的穩定性
  4. D簡化模型結構,以降低模型過度擬合的可能性
到題目頁作答

出現在這些考古題

官方公告試題的逐題解析裡,這 3 題把模型參數列為延伸術語。

相關術語

本頁內容有提到,或屬於同一組主題的術語

來源

這個術語目前沒有標註外部來源。

其他格式:Markdown 版本