IA y Machine Learning · revisado en julio de 2026
Hiperparámetro
Un hiperparámetro es una configuración de un modelo de machine learning que se fija ANTES de entrenarlo — como la tasa de aprendizaje o la profundidad máxima de un árbol de decisión — a diferencia de los parámetros del modelo (por ejemplo los pesos de una red neuronal), que se aprenden automáticamente durante el entrenamiento.
Preguntas frecuentes
¿Cómo se elige el valor correcto de un hiperparámetro?
Probando varias combinaciones y midiendo el desempeño de cada una en un conjunto de validación, mediante técnicas como grid search (probar todas las combinaciones de una grilla) o random search (probar combinaciones al azar).
¿Puedes dar ejemplos de hiperparámetros comunes?
La tasa de aprendizaje, el número de árboles en un random forest, el número de capas de una red neuronal, y el parámetro de regularización que controla cuánto se penaliza la complejidad del modelo.
¿Por qué no se pueden aprender los hiperparámetros igual que los parámetros?
Porque definen la estructura o el proceso de aprendizaje en sí — cambiar la tasa de aprendizaje a mitad del entrenamiento no tiene el mismo sentido matemático que ajustar un peso, así que se eligen antes o mediante un proceso de búsqueda aparte.