参数
- 参数是模型在训练过程中通过学习数据集而确定的变量。
- 参数通常是通过优化算法(如梯度下降)来更新的,目的是最小化模型预测与实际值之间的差异。
- 举例:在神经网络中,权重(weight)和偏置(bias)是参数的例子。这些参数在训练过程中会被调整,以便网络能够更准确地预测数据。
超参数
- 超参数是模型训练过程中的控制变量,它们不通过训练数据来学习,而是需要手动设置或通过某种策略来选择。
- 超参数的设置对模型的性能有重要影响,但它们本身并不直接包含在模型中。
- 举例:学习率(learning rate)、knn中的k值、批量大小(batch size)、层数(number of layers)、激活函数类型(type of activation function)等都是超参数的例子。这些超参数需要预先设定,或者通过网格搜索(grid search)、随机搜索(random search)等方法来优化,以便找到最佳的参数设置。