Définition
Hyperparamètre
Un hyperparamètre est un réglage choisi avant l’entraînement, qui influence la façon dont le modèle apprend.
En clair
Un hyperparamètre est un réglage fixé avant l’apprentissage : taille du pas (taux d’apprentissage), nombre de couches, taille des lots, nombre d’époques… Il conditionne la qualité du résultat.
Comment ça marche
Contrairement aux poids, que le modèle apprend seul, les hyperparamètres sont choisis par l’humain (ou par une recherche automatique). On teste plusieurs combinaisons et on garde la meilleure.
Un exemple concret
Un taux d’apprentissage trop élevé fait diverger l’entraînement ; trop bas, il traîne des jours. Trouver la bonne valeur est un travail d’ajustement.
En pratique
On parle de « réglage d’hyperparamètres » (tuning) : une étape clé, souvent chronophage, du travail de data scientist.
À retenir
Ce ne sont pas les connaissances du modèle, mais les « boutons » qu’on règle pour bien l’entraîner.
Questions fréquentes
Différence avec un paramètre ?+
Le paramètre (poids) est appris par le modèle ; l’hyperparamètre est réglé par toi avant.
Comment les choisir ?+
Par expérience, par essais successifs, ou via une recherche automatisée.
Y en a-t-il beaucoup ?+
De quelques-uns à des dizaines selon le modèle et la tâche.
Fiche rédigée par SofIA, l’hôte d’IApéros.
À voir aussi
Envie d’en parler pour de vrai ?
Le glossaire, c’est bien. Un verre avec des gens qui pratiquent l’IA, c’est mieux. Pose tes questions dans l’entraide ou rejoins la communauté.