原文： https://machinelearningmastery.com/difference-between-a-parameter-and-a-hyperparameter/
当您开始应用机器学习时，这可能会让您感到困惑。
有许多术语可供使用，许多术语可能无法一致使用。如果您来自另一个可能使用与机器学习相同的术语的研究领域，尤其如此，但它们的使用方式不同。
例如：术语“_ 模型参数 ”和“ 模型超参数 _”。
对这些术语没有明确的定义是初学者的共同斗争，尤其是那些来自统计学或经济学领域的初学者。
在这篇文章中，我们将仔细研究这些术语。
参数和超参数之间有什么区别？ 摄影： Bruce Guenter ，保留一些权利。
模型参数是模型内部的配置变量，其值可以从数据中估算。
- 在做出预测时，模型需要它们。
- 它们的值定义了模型对您的问题的技能。
- 它们是从数据中估算或学习的。
- 它们通常不是由从业者手动设置的。
- 它们通常被保存为学习模型的一部分。
参数是机器学习算法的关键。它们是从历史训练数据中学习的模型的一部分。
在经典机器学习文献中，我们可以将模型视为假设，将参数视为对特定数据集的假设的定制。
通常使用优化算法来估计模型参数，该优化算法是通过可能的参数值的有效搜索的类型。
- 统计：在统计中，您可以假设变量的分布，例如高斯分布。高斯分布的两个参数是平均值（
mu）和标准偏差（sigma）。这适用于机器学习，其中这些参数可以从数据估计并用作预测模型的一部分。 - 编程：在编程中，您可以将参数传递给函数。在这种情况下，参数是一个函数参数，可以具有一系列值。在机器学习中，您使用的特定模型是函数，需要参数才能对新数据做出预测。
模型是否具有固定或可变数量的参数确定它是否可被称为“_ 参数 ”或“ 非参数 _”。
模型参数的一些示例包括：
- 人工神经网络中的权重。
- 支持向量机中的支持向量。
- 线性回归或逻辑回归中的系数。
模型超参数是模型外部的配置，其值无法从数据估计。
- 它们通常用于过程中以帮助估计模型参数。
- 它们通常由从业者指定。
- 它们通常可以使用启发式设置。
- 它们经常针对给定的预测性建模问题进行调整。
对于给定问题，我们无法知道模型超参数的最佳值。我们可能会使用经验法则，复制用于其他问题的值，或通过反复试验来搜索最佳值。
当针对特定问题调整机器学习算法时，例如当您使用网格搜索或随机搜索时，您正在调整模型的超参数或命令以发现导致最熟练的模型参数预测。
许多模型具有不能从数据直接估计的重要参数。例如，在 K-最近邻分类模型中......这种类型的模型参数被称为调整参数，因为没有可用于计算适当值的分析公式。
- 第 64-65 页， Applied Predictive Modeling ，2013
模型超参数通常被称为模型参数，这可能使事情变得混乱。克服这种混乱的一个好的经验法则如下：
如果你必须手动指定模型参数，那么 它可能是一个模型超参数。
模型超参数的一些示例包括：
- 训练神经网络的学习率。
- 支持向量机的 C 和 sigma 超参数。
- k-最近邻居中的 k。
- 维基百科上的 Hyperparameter
- 什么是机器学习中的超参数？ Quora 上的
- 模型超参数和模型参数有什么区别？ StackExchange 上的
- 什么被认为是超参数？ 在 Reddit 上
在这篇文章中，您发现了清晰的定义以及模型参数和模型超参数之间的区别。
总之，模型参数是根据数据自动估算的，模型超参数是手动设置的，并在过程中用于帮助估计模型参数。
模型超参数通常被称为参数，因为它们是机器学习的必须手动设置和调整的部分。
这篇文章是否帮助您消除了困惑？ 请在下面的评论中告诉我。
是否存在您仍不确定的模型参数或超参数？ 在评论中发布它们，我会尽力帮助进一步澄清问题。