用語比較
パラメータとハイパーパラメータの違い（学習率・層の数は誰が決めるか）
パラメータ（重み）は学習によって決まる値、ハイパーパラメータは学習を始める前に人が決める値です。学習率や隠れ層の数は、人が決める側のハイパーパラメータに当たります。
scikit-learn公式ドキュメントは、ハイパーパラメータを推定器の中で直接は学習されないパラメータと説明し、SVMのC・kernel・gamma、Lassoのalphaを典型例に挙げています。多層パーセプトロンでは、隠れ層のニューロン数（hidden_layer_sizes）や学習率の初期値（learning_rate_init）を人が引数として渡し、学習後には重み行列が属性として得られます。
G検定の公式シラバス2024では、大項目4「ディープラーニングの概要」の学習の仕組みに、「学習率」「ハイパーパラメータ」「グリッドサーチ」「ランダムサーチ」がキーワードとして挙がっています。このページは、設問の説明文から二つを見分ける手順にまとめています。
この記事の根拠と出典
各セクションの見出しの下に、公式資料で確認した内容か編集部の整理かをラベルで示しています。 試験日・料金・申込条件・試験方式は変わることがあるため、申込前に公式サイトで確認してください。G検定の一次情報確認日: 2026-10-02。
結論
パラメータ（重み）
学習データから、学習の過程で自動的に決まる値。ニューラルネットワークでは各層の重みやバイアスがこれにあたる。
ハイパーパラメータ
学習によっては直接決まらず、学習の前に人が設定する値。学習率、隠れ層の数やニューロン数、エポック数などが例。
違いを表で確認
| 比較軸 | パラメータ（重み） | ハイパーパラメータ |
|---|---|---|
| 誰が・いつ決めるか | 学習の過程で、データから自動的に決まる | 学習を始める前に、人が設定する |
| scikit-learn公式ドキュメントでの扱い | 学習後の属性として得られる。MLPClassifierではcoefs_（各層の重み行列）とintercepts_（各層のバイアスのベクトル） | 推定器を作るときのコンストラクタの引数として渡す。公式ドキュメントは、推定器の中で直接は学習されないパラメータと説明する |
| 多層パーセプトロンでの例 | 各層の重み、バイアス | hidden_layer_sizes（隠れ層ごとのニューロン数）、learning_rate_init（初期の学習率） |
| 具体例（重みとバッチサイズ） | 各層の重み。学習のたびに値が更新される | バッチサイズ。scikit-learnのMLPClassifierでは、確率的な最適化で使うミニバッチの大きさを引数batch_sizeとして人が渡す（既定値は'auto'で、min(200, データ数)） |
| 調整のしかた | 誤差逆伝播法と勾配降下法のような最適化で更新される | グリッドサーチやランダムサーチで候補を試し、交差検証の得点で選ぶ |
| 選択肢で探すキーワード | 重み、バイアス、学習によって更新される | 学習率、層の数、エポック数、人が事前に設定する |
G検定の学習に使う書籍（Amazon）
試験範囲を通して読むときの1冊です。読んだ章は、このサイトの章別問題で確かめられます。
どこで迷っているかを切り分ける
学習率とパラメータを、どちらも学習で決まる値だと思う人
学習率は、重みを更新するときの歩幅を決める値で、更新される側ではなく更新のしかたを決める側です。人が先に設定するため、ハイパーパラメータに当たります。
層の数や層ごとのニューロン数を、学習で決まる構造だと思う人
scikit-learnのMLPClassifierでは、隠れ層ごとのニューロン数をhidden_layer_sizesという引数で人が渡します。学習で更新されるのは、その構造の中にある重みの値です。
ハイパーパラメータの探し方をまだ知らない人
scikit-learn公式ドキュメントは、ハイパーパラメータの空間を探索し、交差検証の得点が最も良くなるものを探すことを勧めています。格子状に総当たりで試すのがグリッドサーチ、無作為に選んで試すのがランダムサーチです。
具体例で使い分ける
例 1
説明文に『訓練の前に人が設定する値で、学習率やエポック数が例』とある場合
選択肢の説明文に、学習が始まる前に人が決める値で、学習率やエポック数が例だとあります。
- 学習率とエポック数は、重みを更新するときの歩幅や、学習を繰り返す回数を決める設定です。
- 人が先に設定し、学習の中で更新されるものではありません。
結論: 学習前に人が設定する値なので、ハイパーパラメータです。
例 2
説明文に『誤差逆伝播法によって学習中に自動で更新される』とある場合
選択肢の説明文に、誤差を元に学習の途中で値が更新されるとあります。
- 多層パーセプトロンでは、学習後の属性として得られる各層の重み行列とバイアスが、これにあたります。
- 人が先に決めた値ではなく、データから決まります。
結論: 学習によって自動的に決まる値なので、パラメータ（重み）です。
例 3
説明文に『候補を格子状に並べて、総当たりで最も良い組み合わせを探す』とある場合
選択肢の説明文に、候補値の組み合わせをすべて試す探索があります。
- 何を探しているかを見ると、学習率や層の数のような、人が決める値の組み合わせです。
- 重みそのものを探しているのではありません。
結論: ハイパーパラメータの探索で、総当たりの方法はグリッドサーチです。
問題文から答えを選ぶ手順
- 1
学習の前か途中かを分ける
学習を始める前に人が設定するならハイパーパラメータ、学習の途中でデータから更新されるならパラメータ（重み）です。
- 2
手がかり語を探す
学習率、層の数、ニューロン数、エポック数、事前に設定するはハイパーパラメータ。重み、バイアス、自動で更新されるはパラメータです。
- 3
探索の対象を確かめる
グリッドサーチやランダムサーチが探しているのは、ハイパーパラメータの良い組み合わせです。
- 4
資料によってパラメータの範囲を確認する
資料によって『パラメータ』が、重みだけでなく設定値も含めて広く使われることがあります。語だけで決めず、設問の説明文が何を指すかで判断します。
試験での見分け方
- 1学習によって自動的に決まる値は、パラメータ（重み）。
- 2学習の前に人が設定する値は、ハイパーパラメータ。
- 3学習率や隠れ層のニューロン数は、人が決めるハイパーパラメータ。
- 4ハイパーパラメータの良い組み合わせを探す方法には、グリッドサーチとランダムサーチがある。
- 5資料によって用語の範囲が異なることがあるため、設問の説明文で判断する。
誤答しやすい選択肢
学習率を、学習で自動的に決まる値だと考える
修正: 学習率は、重みを更新するときの歩幅を決める設定で、人が学習の前に設定します。scikit-learn公式ドキュメントも、learning_rate_initを初期の学習率で、重みを更新するときの歩幅を制御する引数と説明しています。
重みとハイパーパラメータの両方を、同じ調整方法で決めると考える
修正: 重みは勾配降下法のような最適化で更新され、ハイパーパラメータは候補を試して選びます。決まり方が異なります。
ハイパーパラメータは一度決めれば最適になると考える
修正: scikit-learn公式ドキュメントは、交差検証の得点が最良になるようにハイパーパラメータの空間を探索することを勧めています。どの値が最適かは、データごとに探して確かめます。
グリッドサーチが重みを探す手法だと考える
修正: グリッドサーチもランダムサーチも、探す対象はハイパーパラメータの組み合わせです。
確認問題
Q1学習の前に人が設定し、学習によっては直接決まらない値を何という？
答え: ハイパーパラメータ
scikit-learn公式ドキュメントは、推定器の中で直接は学習されないパラメータをハイパーパラメータと説明しています。
Q2多層パーセプトロンで、重みを更新するときの歩幅を決める値は、パラメータとハイパーパラメータのどちら？
答え: ハイパーパラメータ（学習率）
scikit-learnのMLPClassifierでは、learning_rate_initが重みを更新するときの歩幅を制御する引数で、人が渡します。
Q3ハイパーパラメータの候補を格子状に指定し、すべての組み合わせを総当たりで試す手法は？
答え: グリッドサーチ
探す対象はハイパーパラメータの組み合わせです。無作為に選んで試す手法はランダムサーチです。
到達チェック
- パラメータ（重み）を、学習によって自動的に決まる値として説明できる
- ハイパーパラメータを、学習の前に人が設定する値として説明できる
- 学習率と隠れ層のニューロン数がハイパーパラメータだと答えられる
- グリッドサーチとランダムサーチが探す対象を説明できる
- 資料によって用語の範囲が異なることがあると理解している
関連ページで確認する
同じ資格で次に知りたいこと
- 特徴量とは（特徴量選択と特徴量抽出の違い）
特徴量とは何かを、予測や分類の手がかりとなるデータの性質として整理し、特徴量選択（一部を選ぶ）と特徴量抽出（数値の特徴量へ変換する）の違いを、scikit-learn公式ドキュメントの記述をもとに比較します。G検定での判断手順と確認問題も示します。
- フレーム問題とシンボルグラウンディング問題の違い｜行動の扱いと記号の意味の論点（G検定）
フレーム問題とシンボルグラウンディング問題の違いを、何が問題になるのか・提起した人・G検定での位置づけの3点で比較します。JDLA公式シラバスの記載、McCarthyとHayesの1969年の論文、Harnadの論文に沿って整理します。
- データリーケージとは（過学習との違い・テストデータが学習に混ざる典型例）
データリーケージと過学習の違いを、原因、性能が高く見える理由、典型例（全データでの前処理・テストデータでのfit）、防ぎ方、G検定での判断手順と確認問題まで整理します。
よくある質問
Qパラメータとハイパーパラメータの違いは？
パラメータ（重み）は学習によって自動的に決まる値、ハイパーパラメータは学習の前に人が設定する値です。scikit-learn公式ドキュメントは、ハイパーパラメータを推定器の中で直接は学習されないパラメータと説明しています。
Q学習率はハイパーパラメータですか？
はい。重みを更新するときの歩幅を決める値で、人が学習の前に設定します。
Q隠れ層の数やニューロン数は誰が決めますか？
人が決めます。scikit-learnのMLPClassifierでは、隠れ層ごとのニューロン数をhidden_layer_sizesとして渡します。
Qハイパーパラメータはどうやって決めますか？
scikit-learn公式ドキュメントは、交差検証の得点が最良になるよう、ハイパーパラメータの空間を探索することを勧めています。方法にはグリッドサーチとランダムサーチがあります。
QハイパーパラメータはG検定の公式シラバスに載っている？
はい。公式シラバス2024の大項目4「ディープラーニングの概要」の学習の仕組みに、「学習率」「ハイパーパラメータ」「グリッドサーチ」「ランダムサーチ」がキーワードとして挙がっています。
次に見る比較
- G検定・DS検定・統計検定2級で重なる用語10語の比較
同じ名前の用語の定義と収録章を、資格ごとに並べます。
- ベイズの定理と条件付き確率の違い（統計検定2級の式と計算例）
求める確率の向きの違いと、陽性になる確率の計算例を確かめます。
- 紛らわしい用語ペア早見表
混同しやすい用語の違いと判定の手掛かりを、資格別の一覧で確かめます。
執筆: ミナト編集部（運営者情報を見る）