Hyperparamètres
Les hyperparamètres sont des variables qui configurent l’entraînement d’un modèle de machine learning, définies par l’humain avant que l’entraînement ne commence. Ils s’opposent aux paramètres du modèle (poids, biais), que le modèle calcule lui-même à partir des données pendant l’entraînement, via la descente de gradient.
Exemples courants : le taux d’apprentissage (vitesse à laquelle le modèle ajuste ses paramètres à chaque étape), la taille du lot de données traité à la fois, ou le nombre de couches d’un réseau de neurones. Mal réglés, ils dégradent directement la performance : un taux d’apprentissage trop élevé empêche le modèle de converger, trop faible il devient trop lent à entraîner ; des hyperparamètres mal choisis favorisent aussi le surapprentissage (overfitting) ou le sous-apprentissage (underfitting).
Le réglage des hyperparamètres (hyperparameter tuning) est une étape distincte de l’entraînement lui-même : on teste plusieurs combinaisons pour trouver celle qui donne les meilleurs résultats, souvent par essais successifs.
En RH, cette notion reste purement technique et invisible pour l’utilisateur — elle explique pourquoi construire un modèle RH performant (scoring, prédiction de turnover) demande un travail d’ajustement fin, pas seulement l’accès à un algorithme et des données.
Retrouvez tous les termes dans le lexique SIRH et IA de yapluqua.com.