مشین سیکھنے میں ایک اہم عمل ہے جس میں بہترین پیرامیٹرز کا انتخاب کرنا شامل ہے تاکہ نمونہ‌کاری کو فروغ دیا جا سکے ۔

اِس کے علاوہ ، اِس میں بہت سے لوگ شامل ہیں ۔

ہائیپرپرممیٹر ٹیٹنگ کے مرکز میں ایک مقصدی عمل کی تشہیر ہے جسے اکثر نقصان پہنچانے کا عمل کہا جاتا ہے ۔اس عمل میں ایک ماڈل کو دئے گئے ڈیٹا سیٹ پر کتنا اچھا کام انجام دیتا ہے ۔

اس میں تشکیل کے مسائل حل کرنا شامل ہے:

[1] منیمس [1] ایل( ⁇ , ⁇ ]۔

جہاں ایل ہارک تقریب ہے، وہیں ماڈل پیرامیٹرز کی نمائندگی کرتا ہے اور ⁇ ہائیپرامیٹر کی نمائندگی کرتا ہے۔

گريدان-بيد-بيد کاريون

اس طرح سے ہائیپرپرمیٹرمیٹرمیٹرمیٹر کے حساب سے کام کرنے والے نقصان کی کشش کی تکنیکوں کو شمار کیا جاتا ہے اور ان میں تبدیلی کی جاتی ہے۔

ریاضیاتی طور پر تجدیدی اصول کا اظہار یوں کیا جا سکتا ہے:

[1] نیویول = عمر - [ ⁇ ] [ ⁇ fLT] [LT:5] L( ⁇ , ⁇ ]]];

برفانی دور

Bayesian opperaperameters اور ماڈل کارکردگی کے درمیان تعلق کو متنوع انداز میں ظاہر کرتے ہیں. اس میں مشاہدہ شدہ اعداد و شمار پر مبنی اعتقادات کو اختیار کرنے کے لیے پہلے سے استعمال کیا جاتا ہے۔

اس طریقے میں ایک سوراج ماڈل بنانے اور اگلے ہائیپرپرمیٹر کے معائنے کا تعیّن کرنے کا عمل شامل ہے ۔

Education میٹرکس اینڈ اسٹیکل فاؤنڈیشنز

کراس-انٹور-ریپ جیسے میٹرکس، مطلب مربع غلطی یا درستی کے لیے استعمال کیا جاتا ہے کہ وہ ٹیٹنگ کے دوران ماڈل کارکردگی کا تجزیہ کریں۔یہ میٹرکز کو ریاضیاتی نظریات میں بنیاد بنا کر ماڈل جنرلائزیشن کے انداز فراہم کرتے ہیں۔

Statistical نظریات جیسے کہ ضد-Varance تجارت اور اعتماد کے تحت ابھرتے ہوئے ہائیپرپرمیٹر کے انتخاب کو ماڈل پیچیدگی اور ڈیٹا موزوں طور پر متوازن رکھنے کے لیے آگاہ کرتے ہیں۔