机器学习中的参数和超参数

参数

1：参数是机器学习算法的关键。它们通常由过去的训练数据中总结得出。在经典的机器学习文献中，我们可以将模型看作假设，将参数视为对特定数据集的量身打造的假设。
模型参数的一些示例包括：1）神经网络中的权重；2）支持向量机中的支持向量；3）线性回归或逻辑回归中的系数。

超参数

模型超参数是模型外部的配置，其值无法从数据中估计。1）它们通常用于帮助估计模型参数；2）它们通常由人工指定；3）他们通常可以使用启发式设置；4）他们经常被调整为给定的预测建模问题。
我们虽然无法知道给定问题的模型超参数的最佳值，但是我们可以使用经验法则，在其他问题上使用复制值，或通过反复试验来搜索最佳值。
当机器学习算法针对特定问题进行调整时（例如，使用网格搜索或随机搜索时），那么正在调整模型的超参数或顺序以发现导致最熟练的模型的参数预测。
“许多模型有不能从数据直接估计的重要参数。例如，在K近邻分类模型中…因为没有可用于计算适当值的分析公式，这种类型的模型参数被称为调整参数。

参数总结

参数：就是模型可以根据数据可以自动学习出的变量，应该就是参数。比如，深度学习的权重，偏差等
超参数：就是用来确定模型的一些参数，超参数不同，模型是不同的(这个模型不同的意思就是有微小的区别，比如假设都是CNN模型，如果层数不同，模型不一样，虽然都是CNN模型哈。)，超参数一般就是根据经验确定的变量。在深