搜尋意圖： 如果你在找「超參數 是什麼」、「超參數 會怎麼考」或「超參數 和相近概念差在哪」，先看這頁的定義、考點定位與延伸比較。
TL;DR： 超參數是機器學習模型訓練前，由人為設定且影響模型學習效果的參數，例如學習率或網路層數
實用情境： 適合用在 iPAS 複習、面試快查與閱讀 AI 文章時快速校正概念邊界。
下一步： 先讀完定義，再往下看延伸比較與對應工具，把概念轉成實際應用。
你有沒有調過模型，才發現有些設定不是學出來的，是你自己先決定的？
你可以把超參數想成訓練前先定好的規則。 像學習率、批次大小、樹深這些值，不是模型自己學，而是人先設定，會直接影響學習結果。
你可以把它想成一個把抽象概念拉回日常判斷的提示，先知道它解決什麼問題，再看技術細節。
容易混淆
超參數 vs 模型參數 模型參數是訓練過程中學出來的 超參數是人先設定的 最關鍵的區別是學出來，還是先選好
超參數 vs 超參數調校 超參數是那個設定本身 超參數調校是找最適合設定的過程 最關鍵的區別是值，還是找值的方法
記住這句就好
先設定規則，模型才開始學。
實際案例
學習率選擇 學習率太大會震盪，太小會很慢，這就是超參數會直接影響訓練品質的典型例子。
樹模型深度 決策樹或梯度提升法的樹深，會影響模型複雜度和過擬合風險。
算法與應用
超參數決定學習方式，不是直接學到的內容。 它們常要靠驗證資料集和搜尋方法來找，而不是憑直覺一次定死。
情境判斷
Q1： 學習率、批次大小、樹深，哪一種比較像超參數？ → 這些都屬於超參數，因為它們是人先設定的訓練條件。
Q2： 模型訓練完後自己得到的權重，算不算超參數？ → 不算，那是模型參數，不是超參數。
iPAS 考題
出題方向：常考超參數與模型參數的差異，以及常見超參數的影響。 題目： 下列哪一項最符合「超參數」的概念？ → 答案： 學習率。它是在訓練前由人設定，不是模型自己學出來的。
常見問題
常見超參數有哪些？
學習率、批次大小、層數、樹深、正則化強度都很常見。
超參數為什麼重要？
因為它會直接影響模型能不能學好、會不會過擬合。
超參數是固定不變的嗎？
不是，通常要根據資料和任務調整。