什么是 “超参数” ？

超参数（Hyperparameter）是机器学习模型在训练前人为设定的参数，用于控制模型的训练过程或结构，不能通过训练数据自动学习。超参数的选择直接影响模型的性能、训练速度和效果。

示例：学习率（Learning Rate）
在梯度下降算法中，学习率（通常表示为 αα）是一个典型的超参数，它决定了每次参数更新的步长。

• 如果学习率过大，可能导致参数在最优解附近震荡，甚至无法收敛；

• 如果学习率过小，训练速度会变慢，甚至陷入局部最优。
  例如，在训练神经网络时，通常需要手动尝试不同的学习率（如 0.1、0.01、0.001），或通过网格搜索（Grid Search）等方法找到最佳值。

其他常见超参数：迭代次数（Epochs）、批量大小（Batch Size）、正则化系数（如 λλ）、神经网络的层数/神经元数量等。