olemus
ISO/IEC 22989:
masinõppe algoritmi karakteristik, mis mõjutab ta õppeprotsessi
(i) hüperparameetrid valitakse enne treenimist ja neid saab protsessides kasutada mudeli parameetrite hindamise abistamiseks
(ii) hüperparameetrid on näiteks võrgukihtide arv, iga kihi laius, aktiveerimisfunktsiooni tüüp, optimeerimismeetod, neurovõrkude õppimiskiirus, tuumfunktsiooni valik tugivektormasinas, puu lehtede arv või sügavus, K väärtus K-keskmiste klasterduses, ootuse maksimeerimise algoritmi iteratsioonide maksimaalarv, normaaljaotuste arv Gaussi segumudelis
= characteristic of a machine learning algorithm that affects its learning process
Note 1. Hyperparameters are selected prior to training and can be used in processes to help estimate model parameters.
Note 2. Examples of hyperparameters include the number of network layers, width of each layer, type of activation function, optimization method, learning rate for neural networks; the choice of kernel function in a support vector machine; number of leaves or depth of a tree; the K for K-means clustering; the maximum number of iterations of the expectation maximization algorithm; the number of Gaussians in a Gaussian mixture.