에포크 (인공지능) 편집하기 (부분)

==역할과 중요성==
에포크 수는 모델의 학습 과정 및 성능에 직·간접적인 영향을 미친다:
*너무 작은 에포크 수는 모델이 충분히 학습되지 않아 과소적합(underfitting)이 발생할 수 있다.
*반대로 너무 많은 에포크 수는 모델이 훈련 데이터에 과도하게 적합(overfitting)될 위험이 있다.
*일반적으로 '''배치 크기(batch size)''', '''학습률(learning rate)'''과 함께 조정되는 핵심 하이퍼파라미터이다.
*배치, 반복, 에포크 관계
**[[이터레이션 (인공지능)|Iteration (반복)]]: 하나의 배치를 처리하고 나서 가중치를 한 번 업데이트하는 단위.
**에포크 (Epoch): 전체 훈련 데이터가 배치 단위로 나뉘어 한 번씩 처리되는 기간.
*예를 들어, 훈련 데이터 1,000장이 있고, 배치 크기가 100이면,
**한 에포크는 10번의 iteration을 포함함.
**10번의 iteration을 거치면 에포크가 1회 완료됨.

*이러한 관계 때문에 에포크는 “한 세트를 전부 소화한 단위”로 이해할 수 있다.