Hiperparámetros

Los hiperparámetros son parámetros de configuración que se establecen *antes* de iniciar el proceso de entrenamiento de un modelo de inteligencia artificial. A diferencia de los parámetros del modelo (que el modelo aprende durante el entrenamiento, como los pesos y sesgos de una red neuronal), los hiperparámetros no se aprenden directamente de los datos. Su función principal es controlar cómo se comporta el algoritmo de aprendizaje y la estructura del modelo. Algunos ejemplos comunes incluyen: 1. **Tasa de aprendizaje (Learning Rate)**: Determina el tamaño de los pasos que el optimizador da al ajustar los pesos del modelo. 2. **Número de capas y neuronas**: Define la arquitectura de una red neuronal. 3. **Tamaño del lote (Batch Size)**: Cuántas muestras de datos se procesan antes de actualizar los pesos del modelo. 4. **Número de épocas**: Cuántas veces se procesa el conjunto completo de datos de entrenamiento. La elección correcta de los hiperparámetros es crucial para el rendimiento del modelo, ya que una mala configuración puede llevar a un sobreajuste, subajuste o un entrenamiento ineficiente. El proceso de encontrar los mejores hiperparámetros se conoce como 'ajuste de hiperparámetros' o 'optimización de hiperparámetros'.