hiperparaméter

angolul: hyperparameter

haladóelterjedt

A hiperparaméter olyan beállítás, amelyet nem a modell tanul meg, hanem a tanítás előtt kívülről adnak meg (a fejlesztő vagy egy automatikus keresőprogram), és amely megszabja, hogyan tanul a modell, és mekkora legyen.

Érthetően

Képzeld el, hogy kenyeret sütsz. A tészta a sütőben magától alakul át, de azt, hogy hány fokon és mennyi ideig süsd, neked kell előre eldöntened. A hiperparaméter a gépi tanulásban ugyanez: a sütő gombjai, nem a kenyér.

Egy AI-modell a tanítás során sok belső számot állít be magának az adatok alapján. A nagy modelleknél ezek száma akár több milliárd is lehet. Ezeket hívják paraméternek. A hiperparamétereket viszont nem a modell tanulja meg, hanem a fejlesztő választja ki előre: például azt, hogy mekkora lépésekben tanuljon a modell, hányszor nézze át az adatokat, vagy mekkora legyen maga a modell.

Azért fontos, mert ugyanabból az adatból rossz beállítással használhatatlan, jó beállítással kiváló modell lesz. A jó értékeket ritkán lehet kiszámolni, többnyire ki kell kísérletezni őket.

Hogyan működik

A fejlesztő a tanítás előtt megadja a beállításokat, például a tanulási rátát (mekkora lépésekben javítson a modell), a tanítási körök számát és a modell méretét.
A modell ezekkel a beállításokkal tanul az adatokon, és közben a saját belső paramétereit hangolja.
A betanított modellt egy félretett, úgynevezett validációs adathalmazon mérik le. Ezeket az adatokat a modell a tanítás alatt nem látta, így kiderül, mennyire jól általánosít.
A fejlesztő módosít a beállításokon, és újra tanít. Ezt hívják hiperparaméter-hangolásnak, amit ma már gyakran automatikus keresőprogramok végeznek.
A legjobb eredményt adó beállításokkal készül el a végleges modell. A teljesítményét végül egy újabb, eddig egyáltalán nem használt tesztadathalmazon ellenőrzik.

Példa a mindennapokból

Amikor egy csevegőrobot beállításai között a „kreativitás” vagy „hőmérséklet” csúszkát tologatod, rokon dologgal találkozol: olyan beállítással, amelyet nem a modell tanult, hanem kívülről adnak meg neki. A különbség az, hogy ez nem a tanítást, hanem a válaszadást szabályozza. Ugyanaz a modell alacsony értéken kiszámíthatóbb, magasabb értéken változatosabb, néha csapongóbb válaszokat ad.

Kit érint

fejlesztőA modell tanításakor vagy finomhangolásakor neki kell megválasztania ezeket az értékeket, és ezen múlik az eredmény minősége és a számítási költség. → Kód

vállalkozó, vezetőHa a céged saját adatain taníttat modellt, a beállítások kikísérletezése időbe és gépidőbe kerül, ezzel a költségvetésben számolnod kell.

szülő, diák, tanárAki gépi tanulást tanul vagy tanít, annak ez az egyik első fogalom, amelyet meg kell különböztetnie a paramétertől. → Oktatás és család

Gyakori félreértés

TévhitA hiperparaméter egy különösen nagy vagy különösen fontos paraméter.

ValójábanA „hiper” itt azt jelenti, hogy a beállítás egy szinttel a paraméterek fölött áll: nem a modell tanulja meg, hanem kívülről adják meg, és a tanulás menetét szabályozza.

Korlátok és kockázatok

Nincs mindenre jó recept: ami az egyik adathalmazon és modellen bevált, a másikon gyenge eredményt adhat.
A hangolás drága, mert minden kipróbált kombináció újabb tanítást jelent, nagy modelleknél jelentős gépidővel és energiafogyasztással.
Ha a beállításokat addig csiszolják, amíg a tesztadatokon a legjobb szám jön ki, a modell a valós használatban gyengébben teljesíthet, mint amit a mérés ígért.
A közzétett eredmények nehezen ismételhetők meg, ha a szerzők nem közlik pontosan a használt beállításokat.

Hasonló, de nem ugyanaz

paraméter – A paramétert a modell maga tanulja meg az adatokból, a hiperparamétert az ember vagy egy keresőprogram állítja be a tanítás előtt.
finomhangolás – A finomhangolás egy kész modell továbbtanítása új adatokon, a hiperparaméter-hangolás pedig a tanítás beállításainak keresgélése.
prompt – A prompt a modellnek szóló szöveges utasítás használat közben, a hiperparaméter számszerű vagy szerkezeti beállítás, amely jellemzően a tanítást szabályozza.

Kapcsolódó fogalmak

Tágabb

gépi tanulás, modelltanítás

Szűkebb

tanulási ráta, kötegméret, epochszám

Rokon

paraméter, finomhangolás, túltanulás, validációs adathalmaz, AutoML, hőmérséklet

Röviden a története

A kifejezés a bayesi statisztikából származik. Ott azokat a számokat nevezték így, amelyek egy másik paraméterről alkotott előzetes feltevést (az úgynevezett a priori eloszlást) írnak le. A gépi tanulásban már az 1990-es években használták, a mélytanulás 2010-es évekbeli térhódításával pedig mindennapos szakszóvá vált.

Hol tart most

2026 végén a gépi tanulás alapfogalma, minden modell tanításánál jelen van. A hangolást egyre inkább automatikus eszközök végzik. A nagy nyelvi modelleknél a magas tanítási költség miatt csak kevés kombinációt lehet teljes méretben kipróbálni. Ezért a beállításokat gyakran kisebb modelleken keresik meg, és onnan vetítik ki a nagy modellre.

Állapot: 2026. november

Más nevei

hiperparaméter · hiperparaméterek · hyperparameter · hyper-parameter · hiperparaméter-hangolás · hiperparaméter-optimalizálás · hyperparameter tuning · HPO

Források

A szócikk gépi szerkesztéssel készült és gépi szakmai lektoráláson ment át; a „hírekben” rész az Agent Age sztorijaiból automatikusan frissül.