Le réglage des hyperparamètres consiste à sélectionner la configuration optimale d'un modèle de machine learning avant le début de l'entraînement — paramètres comme le taux d'apprentissage, la taille des lots, le nombre de couches et le taux de dropout. Contrairement aux paramètres internes que l'algorithme apprend seul, les hyperparamètres sont fixés par le praticien. La recherche par grille, la recherche aléatoire et l'optimisation bayésienne sont des méthodes courantes. De bons hyperparamètres font la différence entre un modèle à peine fonctionnel et un modèle performant.