超参数（Hyperparameters）是机器学习模型中的一些参数，它们不是通过模型训练过程自动确定的，而是由模型设计者或用户手动设定的。这些参数通常影响模型的性能和泛化能力，但与模型的具体学习算法无关。
超参数的特点包括：
1. 非模型参数：超参数不是模型学习到的，而是预先设定的。
2. 外部设定：超参数的值通常在模型训练之前就已经确定。
3. 重要性：超参数的选择对模型的性能有显著影响，有时甚至比模型本身的选择更重要。
4. 数量有限：与模型参数相比，超参数的数量通常较少。
常见的超参数包括：
学习率：在梯度下降算法中，用于控制模型参数更新的步长。
迭代次数：模型训练的轮数，决定了模型在训练数据上学习的时间。
隐藏层节点数：在神经网络中，每层隐藏层的节点数量。
正则化强度：用于防止模型过拟合的参数。
批量大小：每次模型训练时使用的样本数量。
合理设置超参数是机器学习实践中的一项重要任务，它通常需要大量的实验和经验。随着超参数优化技术的发展，如网格搜索、随机搜索和贝叶斯优化等，超参数的设定变得更加高效。
