超參數 是什麼？

Hyperparameter — 超參數 的完整解釋

超參數是機器學習模型訓練前，由人為設定且影響模型學習效果的參數，例如學習率或網路層數

容易混淆

超參數 vs 模型參數 模型參數是訓練過程中學出來的 超參數是人先設定的 最關鍵的區別是學出來，還是先選好

超參數 vs 超參數調校 超參數是那個設定本身 超參數調校是找最適合設定的過程 最關鍵的區別是值，還是找值的方法

記住這句就好

先設定規則，模型才開始學。

實際案例

學習率選擇 學習率太大會震盪，太小會很慢，這就是超參數會直接影響訓練品質的典型例子。

樹模型深度 決策樹或梯度提升法的樹深，會影響模型複雜度和過擬合風險。

算法與應用

超參數決定學習方式，不是直接學到的內容。 它們常要靠驗證資料集和搜尋方法來找，而不是憑直覺一次定死。

情境判斷

Q1： 學習率、批次大小、樹深，哪一種比較像超參數？ → 這些都屬於超參數，因為它們是人先設定的訓練條件。

Q2： 模型訓練完後自己得到的權重，算不算超參數？ → 不算，那是模型參數，不是超參數。

超參數 在 iPAS 考試中的重點

根據歷年統計，超參數 相關題目 平均佔 AI 技術類考題 2%， 屬於未分類考範圍。

常見出題方向：模型訓練與優化原理（40%）、超參數調校的演算法與方法（35%）、超參數對模型效能的影響分析（25%）。

常見問題

常見超參數有哪些？

學習率、批次大小、層數、樹深、正則化強度都很常見。

超參數為什麼重要？

因為它會直接影響模型能不能學好、會不會過擬合。

超參數是固定不變的嗎？

不是，通常要根據資料和任務調整。