Hyperparametrul este o setare configurată manual, înainte de începerea antrenării unui model AI, care influențează modul în care acesta învață din date — spre deosebire de parametrii interni, pe care modelul îi ajustează singur în timpul antrenării.
Exemple de hyperparametri includ rata de învățare (cât de rapid își ajustează modelul greșelile), numărul de straturi ale unei rețele neuronale sau dimensiunea seturilor de date procesate simultan (batch size).
Alegerea corectă a hyperparametrilor influențează direct performanța finală a modelului: valori prost alese pot duce la un model care învață prea lent, ignoră tipare importante sau memorează datele în loc să generalizeze (overfitting).
Avantajul optimizării hyperparametrilor este obținerea unui model mai precis și mai eficient. Dezavantajul este că acest proces necesită multiple experimente și resurse computaționale considerabile.
Optimizarea hyperparametrilor rămâne una dintre etapele esențiale, dar consumatoare de timp, în dezvoltarea oricărui model de învățare automată performant.