Hyperparameter
Definition
Hyperparameter sind Einstellungen eines Lernverfahrens, die nicht auf dieselbe Weise wie Modellparameter direkt aus den Trainingsdaten gelernt werden.
Beispiele sind Lernrate, Regularisierungsstärke, Baumtiefe oder Batchgröße. Sie werden vor oder während eines Trainingsprozesses festgelegt und häufig über Validierungsdaten optimiert.
Einfach erklärt
Wie Stellschrauben für das Training, während die eigentlichen Modellgewichte aus den Daten gelernt werden.
Warum das im Alltag wichtig ist
Relevant für Modellqualität, Rechenkosten und Reproduzierbarkeit.
Beispiel aus dem Mittelstand
Ein Klassifikationsmodell wird mit verschiedenen Regularisierungswerten und Baumtiefen auf einer Validierungsmenge verglichen.
Grenzen und Fallstricke
- Hyperparameter und Modellparameter verwechseln; Testset zur Optimierung verwenden; Suchraum nicht dokumentieren; nur den besten Einzelrun betrachten.
Entstehung & Geschichte
Der Begriff ist im Machine Learning etabliert, um Konfigurationen des Lernprozesses von gelernten Parametern zu unterscheiden.
Anwendung im Mittelstand
- Mögliche Anwendungen: dokumentierte Modelloptimierung, Kosten-/Qualitätsabgleich und reproduzierbare Experimente.
Häufige Fragen
Ist die Lernrate ein Hyperparameter?
Ja. Sind neuronale Gewichte Hyperparameter? Nein, sie sind typischerweise gelernte Modellparameter.
Quellen
- hyperparameter · Google Machine Learning Glossary, hyperparameter
Quellen geprüft am 10.10.2026.
Redaktionell geprüft am: