Parámetros

Las matemáticas del aprendizaje automático implican el uso de parámetros o valores configurables que son de importancia para el proceso de aprendizaje automático de múltiples maneras. En el aprendizaje automático, los parámetros se pueden dividir en dos grupos: parámetros e hiperparámetros del modelo.

Un parámetro de modelo es un parámetro que se deriva del modelo de aprendizaje automático a medida que se somete al proceso de entrenamiento. En otras palabras, los parámetros de modelo son lo "aprendido" por el modelo mientras realiza cálculos con los datos de entrenamiento. Por lo tanto, estos parámetros determinan el grado en el que el modelo las predicciones y otras decisiones inteligentes de manera correcta. Como se derivan del proceso de entrenamiento, los parámetros del modelo normalmente no son configurados por el profesional del aprendizaje automático, sino por los algoritmos y las funciones matemáticas que componen el proceso de aprendizaje automático. Un ejemplo de un parámetro de modelo es un coeficiente de una variable independiente para los modelos de regresión lineal (es decir, el parámetro de modelo es por lo que se multiplica la variable).

Un hiperparámetro es un parámetro que se establece en el propio algoritmo y no en el modelo de aprendizaje. Esto significa que se proporciona un hiperparámetro antes del entrenamiento, normalmente por parte del profesional de aprendizaje automático. El profesional ajusta los hiperparámetros para que el modelo final sea mejor en la estimación de los parámetros del modelo, mejorando así el rendimiento de aprendizaje del modelo.

Nota: Se dice que los parámetros del modelo son internos al modelo y que los hiperparámetros son externos al modelo.

Información adicional