AI 入門：19.模型參數與超參數（人工智慧 28 堂基礎課程）

在電腦科學的領域中，有一個特殊的習慣：特定的術語有時可以互換使用。例如，在程式設計領域中，儘管 Parameters 和 Arguments 從嚴格的定義上有著不同的涵義，但它們經常被視為同義詞。在函數方法的定義中，Parameters 是一種暫存變數 (Placeholders)，用於接收傳入值；而 Arguments 是指在程式執行函數呼叫時，實際傳給函數方法的值。同樣地，在機器學習領域中，當討論 Parameter 與 Hyperparameter 這兩個術語時，也會發生類似的情況。

.

在實作人工智慧（AI）解決方案時，資料科學家面臨的一個艱難的挑戰便是模型的優化和調整。這也是機器學習（ML）和深度學習（DL）理論中，眾多分支所探討的重要課題之一。通常，模型優化 (Model Optimization) 是指定期進行調整以最小化輸出誤差或提高模型準確性的過程。然而，在實際建模的過程中，ML 和 DL 模型的優化往往卻是需要對模型的內部和外部元素進行微調，確保模型可以滿足預期的準確度。

模型參數 (Model Parameter) 是模型內部的配置變數 (Configuration Variable)，也是模型的重要組成部分。這些參數是透過訓練資料集進行學習而產生，並非由資料科學家手動設定而來。也就是說，它們是使用優化演算法估計而得出的結果，這是一種透過可能的參數值進行的有效搜索的過程。因此，在實際進行預測時，參數會被視為模型的一部分，是模型必要的重要元素。以下是一些模型參數的例子：

• 神經網路 (Neural Network) 模型中的權重 (Weights)。
• 支援向量機 (Support Vector Machine, SVM) 模型中的支援向量 (Support Vectors)。
• 線性迴歸 (Linear Regression) 模型中的權重係數 (Weight Coefficients)。

在建立人工智慧（AI）解決方案時，模型超參數 (Model Hyperparameter) 是一個重要的概念。超參數是模型外部的配置元素 (Configuration Element)，儘管它不屬於模型的一部分，但卻會嚴重影響模型的行為。與模型參數不同，超參數值通常無法從訓練資料集中估計得出，需要資料科學家手動指定（雖然資料科學家常用啟發式方法來決定超參數值），並且經常會針對特定的預測建模問題進行調整。模型超參數有助於控制模型的學習過程，雖然它們最終不會出現在模型實際的預測中，但卻對理解學習階段完成後的參數有很大的影響。以下是一些模型超參數的例子：

• 訓練神經網路 (Neural Network) 模型的學習率 (Learning rate)。
• 在 K-Means 分群模型中使用的不同分群的數量。
• 在 Radial Basis Function (RBF) kernel Support Vector Machine (SVM) 模型中使用的 C 和 gamma 參數。

18.整合學習方法 《 上一堂課   ∣   下一堂課 》 20.深度學習框架

---

人工智慧 28 堂基礎入門課程，完整目錄連結：

1.課程目的	15.分類（Classification）
2.資料就是新一代的能源	16.低度擬合與過度擬合
3.結構化資料	17.分群（Clustering）
4.非結構化資料	18.整合學習方法
5.半結構化資料	19.模型參數與超參數
6.為資料加上維度的概念	20.深度學習框架
7.人工智慧、機器學習、深度學習的定義	21.深度學習的主力 – 神經網路
8.構成 AI, ML 與 DL 的基本元素	22.影像辨識 - 卷積神經網路（CNN）
9.機器（深度）學習工作流程	23.自然語言處理 - 循環神經網路（RNN）
10.模型具體是什麼?	24.生成式對抗網路（GAN）
11.資料準備－維度縮減	25.移轉學習
12.資料準備－資料分割	26.衡量預測結果的品質
13.機器學習方法概述	27.實作 ML 與 DL 的挑戰
14.迴歸（Regression）	28.IBM AI 階梯方法論

---

版權聲明

人工智慧 28 堂基礎入門課程系列文章係依據 IBM 原廠英文教材進行適度翻譯與內容調整而成，每一門課程使用的主圖片其版權歸屬於 IBM 公司。文章內容未經授權，請勿進行任何形式的複製、修改或發佈本文內容，如需轉載或引用，請在使用時注明出處並取得授權。本文中提及的特定公司、產品、品牌名稱等僅為描述目的，其版權歸屬於相應的公司或擁有者。