¿Qué significa hiperparámetro?
Un hiperparámetro es un parámetro de aprendizaje automático cuyo valor se elige antes de entrenar un algoritmo de aprendizaje. Los hiperparámetros no deben confundirse con los parámetros.
En el aprendizaje automático, la etiqueta parámetro se utiliza para identificar variables cuyos valores se aprenden durante el entrenamiento.
Cada variable que un ingeniero de IA o de ML elige antes de que comience el entrenamiento del modelo puede denominarse hiperparámetro, siempre que el valor de la variable siga siendo el mismo cuando finalice el entrenamiento.
Algunos ejemplos de hiperparámetros en el aprendizaje automático son:
- Arquitectura del modelo
- Tasa de aprendizaje
- Número de épocas
- Número de ramas en un árbol de decisión
- Número de clusters en un algoritmo de clustering
Definición de hiperparámetros
Es importante elegir los hiperparámetros adecuados antes de empezar el entrenamiento, porque este tipo de variable tiene un impacto directo en el rendimiento del modelo de aprendizaje automático resultante.
El proceso de elegir qué hiperparámetros utilizar se denomina ajuste de hiperparámetros. El proceso de ajuste también puede denominarse optimización de hiperparámetros (HPO).