A hyperparaméterek olyan beállítások, amelyeket a modelltanítás előtt adunk meg, és amelyek befolyásolják a tanulási folyamatot.
Ezek nem tanulnak az adatokból, hanem az algoritmus működését szabályozzák (pl. tanulási ráta, döntési fa mélysége). A megfelelő hyperparaméterek kiválasztása kulcsfontosságú.
Jelentősen meghatározza a modell teljesítményét.
Egy neurális hálóban a rétegek száma vagy a batch méret beállítása.
A gradiens ereszkedés egy optimalizálási módszer, amely lépésenként javítja a modell paramétereit a hibák csökkentése érdekében.
A hyperparaméter hangolás az a folyamat, amely során megtaláljuk a modell számára legjobb beállításokat.
A modell az a matematikai és statisztikai struktúra, amelyet az AI az adatokból tanulás során hoz létre, és amit a döntéshozatalra használ.
A paraméterek a modell belső értékei, amelyek a tanulási folyamat során beállítódnak.
A tanítókészlet az a konkrét adathalmaz, amelyet az AI-modell betanítására használnak.
A tanulási ráta egy hyperparaméter, amely meghatározza, mekkora lépésekben frissítse a modell a paramétereit a tanulási folyamat során.
A túlillesztés akkor fordul elő, amikor a modell túl jól megtanulja a tanítókészlet adatait, de új adatokon rosszul teljesít.
A validációs készlet olyan adathalmaz, amelyet a modell finomhangolására, az optimális paraméterek kiválasztására használnak.
