簡單來說，模型引數就是模型內部的配置變數，可以用資料估計它的值。
具體來講，模型引數有以下特徵：
（1）進行模型**時需要模型引數
（2）模型引數值可以定義模型功能
（3）模型引數用資料估計或資料學習得到
（4）模型引數一般不由實踐者手動設定
（5）模型引數通常作為學習模型的一部分儲存
通常使用優化演算法估計模型引數，優化演算法是對引數的可能值進行的一種有效搜尋。
模型引數的一些例子包括：
（1）人工神經網路中的權重
（2）支援向量機中的支援向量
（3）線性回歸或邏輯回歸中的係數
模型超引數是模型外部的配置，其值不能從資料估計得到。
具體特徵有：
（1）模型超引數常應用於估計模型引數的過程中
（2）模型超引數通常由實踐者直接指定
（3）模型超引數通常可以使用啟發式方法來設定
（4）模型超引數通常根據給定的**建模問題而調整
怎樣得到它的最優值： 對於給定的問題，我們無法知道模型超引數的最優值。但我們可以使用經驗法則來探尋其最優值，或複製用於其他問題的值，也可以通過反覆試驗的方法。
模型超引數的一些例子包括：
（1）訓練神經網路的學習速率
（2）支援向量機的c和sigma超引數
（2）k鄰域中的k
當針對特定問題調整機器學習演算法時，例如在使用網格搜尋或隨機搜尋時，你將調整模型或命令的超引數，以發現乙個可以使模型**最熟練的模型引數。許多模型中重要的引數無法直接從資料中估計得到。例如，在k近鄰分類模型中…這種型別的模型引數被稱為調整引數，因為沒有可用的分析公式來為其計算乙個合適的值。
模型超引數通常被稱為模型引數，這種叫法很容易讓人產生誤解。解決這個問題的乙個很好的經驗法則如下：如果你必須手動指定乙個「模型引數」，那麼它可能就是乙個模型超引數。
總而言之，模型引數是從資料中自動估計的，而模型超引數是手動設定的，並用於估計模型引數的過程。
機器學習中的引數和超引數
模型內部的配置變數，例如 神經網路中的權重w和偏置b，svm中的支援向量，線性回歸或邏輯回歸中的係數 使用資料進行估計 優化演算法 或者學習得到 模型外部設定的變數，例如 神經網路中的學習速率 learning rate 迭代次數 epoch 隱藏層層數 每層的神經元個數 啟用函式的選擇，svm中的...
機器學習中的引數與超引數之間的區別
機器學習中的模型引數和模型超引數在作用 等方面都有所不同，而模型超引數常被稱為模型引數，這樣，很容易對初學者造成混淆。本文給出了模型引數和模型超引數的定義，並進行了對比，指出了二者本質上的區別 模型引數是模型內部的配置變數，可以用資料估計模型引數的值 模型超引數是模型外部的配置，必須手動設定引數的值...
引數和超引數的區別
計算機學科裡有太多的術語，而且許多術語的使用並不一致。哪怕是相同的術語，不同學科的人理解一定有所不同。比如說 模型引數 model parameter 和 模型超引數 model hyperparameter 對於初學者來說，這些沒有明確定義的術語肯定很令人困惑。尤其是對於些來自統計學或經濟學領域的...