hiperparaméterértékek

A hiperparaméterértékek a gépi tanulási modellek azon beállításai, amelyek nem maguktól az algoritmustól tanulódnak, hanem még azelőtt kerülnek meghatározásra, hogy a tanítási folyamat megkezdődne. Ezek a paraméterek befolyásolják a modell működését és tanulási képességét. Például egy neurális hálózatban a rétegek száma, az egyes rétegekben lévő neuronok száma, vagy a tanulási ráta (learning rate) mind hiperparaméterek. Egy döntési fában a maximális mélység vagy a minimális mintaszám az elágazáshoz hiperparaméterek.

A hiperparaméterek értékeinek kiválasztása kritikus fontosságú a modell teljesítménye szempontjából. A nem optimális hiperparaméterek gyenge eredményekhez vezethetnek, akár alul-, akár túltanulás (underfitting vagy overfitting) formájában. Az alul-tanulás azt jelenti, hogy a modell túl egyszerű, és nem képes megragadni az adatokban rejlő mintákat. A túltanulás pedig azt jelenti, hogy a modell túl jól alkalmazkodik a tanítási adatokhoz, de rosszul teljesít az új, ismeretlen adatokon.

A hiperparaméterek finomhangolása (hyperparameter tuning) különféle technikákat foglal magában, mint például a rács keresés (grid search), a véletlenszerű keresés (random search) vagy fejlettebb módszerek, mint a Bayesian optimalizálás. Ezek a módszerek különböző hiperparaméterkombinációkat próbálnak ki, és azokat értékelik, amelyek a legjobb teljesítményt nyújtják egy validációs adathalmazon. A cél mindig az, hogy megtaláljuk azt a hiperparaméterkészletet, amely a legjobb általánosítási képességet biztosítja a modell számára.