ハイパーパラメーターとは、機械学習モデルの構築において、学習を始める前に人間（開発者）が外部からあらかじめ設定する必要がある調整用の変数のことです。学習率やバッチサイズ、エポック数などがこれに該当し、モデルの学習速度や予測精度、過学習の抑制などに決定的な影響を与えます。
ハイパーパラメーターとは
ハイパーパラメーターとは、機械学習モデルの訓練（学習）プロセスを開始する前に、開発者が手動で設定しなければならない調整用パラメーターのことです。
詳しく解説
機械学習におけるパラメーターには、モデルがデータから自動的に学習・更新するパラメーターと、学習の枠組みそのものを規定するために人間が事前に設計・設定する「ハイパーパラメーター」の2種類が存在します。ハイパーパラメーターの選定は、モデルの性能や学習の収束速度に大きな影響を与えます。適切な値を見つけるために、グリッドサーチやランダムサーチ、ベイズ最適化といったチューニング手法が一般的に用いられます。
具体例・使われ方
具体的なハイパーパラメーターには、モデルの更新幅を決定する「学習率」、1回の学習ステップで処理するデータ数を示す「バッチサイズ」、訓練データを何回繰り返し学習させるかを表す「エポック数」、ニューラルネットワークにおける「隠れ層の数」や各層の「ノード数」、過学習を防ぐための「ドロップアウト率」などがあります。
似た用語との違い
混同されやすい概念に「モデルパラメーター」があります。モデルパラメーター（重みやバイアス）は、訓練データを通じてアルゴリズムが自動的に学習・更新していく内部的な値です。一方、ハイパーパラメーターは学習プロセス自体の設定値であり、学習が始まる前に人間が決定する外部的な値という違いがあります。
注意点
ハイパーパラメーターの最適な組み合わせは、扱うタスクやデータセットによって全く異なるため、万能な「正解の数値」は存在しません。また、モデルの表現力を高めようと複雑な設定にしすぎると、訓練データに過剰に適合してしまう過学習を引き起こすリスクがあります。チューニングには多大な計算資源と時間が必要になる点にも注意が必要です。