Parámetro que se configura antes del entrenamiento del modelo y afecta el proceso de aprendizaje, pero no se aprende automáticamente del conjunto de datos. Los hiperparámetros controlan aspectos como la complejidad del modelo, la velocidad de aprendizaje y la regularización. Algunos ejemplos comunes de hiperparámetros incluyen la tasa de aprendizaje en redes neuronales, el número de árboles en un modelo de bosque aleatorio y el valor de K en el algoritmo de vecinos más cercanos (K-nearest Neighboors)

Método de agrupamiento que crea jerarquías de clústeres. En este enfoque, los datos se agrupan en función de su similitud, y los clústeres se organizan en una estructura de árbol o dendrograma. Hay dos tipos principales de agrupamiento jerárquico: aglomerativo, donde cada observación comienza en su propio clúster y se fusionan gradualmente, y divisivo, donde todos los datos comienzan en un solo clúster y se dividen en clústeres más pequeños. Este enfoque es útil para explorar la estructura de los datos y visualizar relaciones de similitud entre observaciones.

Regla práctica o método de solución de problemas que no garantiza una solución óptima, pero que a menudo es efectiva en la práctica. En el contexto de la inteligencia artificial, las heurísticas se utilizan en algoritmos de búsqueda y optimización para guiar la exploración del espacio de soluciones en busca de una solución satisfactoria en un tiempo razonable. Las heurísticas son particularmente útiles en problemas complejos donde encontrar una solución óptima es computacionalmente costoso o impracticable.