기본 출력값을 조정하는 편향

편향(Bias)은 머신러닝 모델이 입력 데이터의 영향을 조정할 수 있도록 하는 추가적인 값입니다.

가중치와 함께 모델이 학습하는 중요한 요소 중 하나이며, 특정 입력값이 없을 때도 일정한 출력을 가능하게 합니다.

쉽게 말해, 편향은 머신러닝 모델에서 입력값이 없을 때의 기본 출력을 조정하는 역할을 합니다.

이를 수식으로 표현하면 다음과 같습니다.

$y = w_1 x_1 + w_2 x_2 + ... + w_n x_n + b$

• w1, w2, ..., wn : 각 특징의 가중치

• b : 편향

• x1, x2, ..., xn : 입력값

이때, b는 모델이 예측값을 일정한 방향으로 조정할 수 있도록 도와주는 역할을 합니다.

편향이 없다면 모든 입력값이 0일 때 모델의 출력도 0이 되어버리며, 이는 머신러닝 모델의 현실적 예측을 어렵게 만듭니다.

가중치와 편향은 모두 머신러닝 모델이 학습하는 중요한 요소로, 아래와 같이 역할이 다릅니다.

학생의 시험 점수를 예측하는 간단한 모델을 가정해 봅시다.

• x: 공부한 시간

• w: 공부한 시간이 성적에 미치는 영향(가중치)

• b: 학생이 공부를 전혀 하지 않았을 때 기대할 수 있는 기본 점수(편향)

$exam\_score = w \times hours\_studied + b$

만약 b = 0이라면, 공부하지 않은 학생의 점수는 무조건 0이 됩니다.

하지만 실제로는 공부를 하지 않아도 기본적으로 30점 정도 받을 수 있다고 가정하면, b = 30이 됩니다.

이렇게 편향은 머신러닝 모델이 데이터를 더 현실적으로 반영하도록 돕습니다.

인공 신경망에서는 각 뉴런마다 편향이 존재합니다.

편향은 입력값이 없는 경우에도 뉴런이 의미 있는 출력을 생성할 수 있도록 도와주며, 머신러닝 모델이 정확한 패턴을 학습하는 데 중요한 역할을 합니다.

다음 수업에서는 지금까지 배운 내용들을 점검하는 간단한 퀴즈를 풀어보겠습니다.