El ajuste de hiperparámetros es un proceso mediante el cual los ingenieros ajustan los parámetros internos de un algoritmo de aprendizaje automático para mejorar su precisión y rendimiento. Es un proceso iterativo que implica prueba y error, ya que el ingeniero ajustará los valores de los hiperparámetros y evaluará el cambio resultante en el rendimiento del algoritmo.
Los hiperparámetros son diferentes de los parámetros del modelo estándar, que el algoritmo de aprendizaje automático aprende mientras entrena con datos. Los hiperparámetros los establece el ingeniero y permanecen constantes durante todo el proceso de entrenamiento del algoritmo. Ejemplos de hiperparámetros incluyen la cantidad de capas en una red neuronal, la tasa de aprendizaje de los algoritmos de optimización y la cantidad de árboles en un árbol de decisión.
En el proceso de ajuste de hiperparámetros, los ingenieros intentan encontrar los valores óptimos de los hiperparámetros ejecutando el algoritmo en los datos de entrenamiento varias veces. Cada vez se ajustan los hiperparámetros y se evalúa el rendimiento resultante en los datos de entrenamiento, lo que permite al ingeniero identificar la configuración que producirá los mejores resultados con los datos nuevos. Este proceso a menudo se denomina "optimización de hiperparámetros".
Los hiperparámetros son de particular importancia al crear modelos de aprendizaje automático, ya que pueden afectar significativamente el rendimiento del resultado final. Por lo tanto, el ajuste de hiperparámetros es un paso importante en el desarrollo de cualquier algoritmo de aprendizaje automático y no debe pasarse por alto.
