超参，即超参数（Hyperparameter），在机器学习中指的是那些在模型训练过程中需要手动设置而不是通过学习得到的参数。超参数通常用于指导学习算法的行为，它们对模型性能有显著影响，但并不是从数据中学习得到的。
以下是一些常见的超参数例子：
1. 学习率（Learning Rate）：在梯度下降等优化算法中，学习率决定了每次迭代时参数更新的幅度。
2. 隐藏层节点数（Number of Neurons）：在神经网络中，每个隐藏层的节点数都是一个超参数。
3. 迭代次数（Number of Epochs）：在训练模型时，迭代次数指的是模型在训练集上完整遍历的次数。
4. 正则化强度（Regularization Strength）：用于防止模型过拟合的参数，如L1或L2正则化系数。
5. 批大小（Batch Size）：在批量梯度下降中，批大小指的是每次更新的样本数量。
由于超参数对模型性能的影响很大，因此选择合适的超参数通常需要经验和技巧。在实际应用中，可以通过网格搜索（Grid Search）、随机搜索（Random Search）、贝叶斯优化（Bayesian Optimization）等方法来寻找最优的超参数组合。
