Eine immer wiederkehrende Aufgabe ist das Erstellen von Modellen auf Basis von Daten, um die darunterliegenden Zusammenhänge abzubilden. Dazu werden in der Praxis häufig Methoden aus dem Bereich des Automated Machine Learning (AutoML) verwendet. Diese beinhalten eine große Vielfalt an verschiedenen Modellierungsmethoden, wie zum Beispiel neuronale Netze, Random Forests, Support Vector Machines und radiale Basisfunktionen. Viele dieser Methoden erzielen schon mit ihren Standardeinstellungen zufrieden stellende Ergebnisse, aber es gibt deutliches Potential die Modellqualität weiter zu verbessern. Dies kann mittels der Optimierung der Parameter, die den Trainingsprozess steuern, erreicht werden. Diese Parameter werden auch Hyperparameter genannt. Das Ziel dieser Optimierung ist den Fehler innerhalb einer Kreuzvalidierung zu minimieren. Durch die Kreuzvalidierung wird garantiert, dass Modell weiterhin eine große Generalisierungsfähigkeit zur Verfügung stellt. Nach Durchführung der Optimierung steht ein Satz an optimierten Hyperparametern zur Verfügung, mit der der finale Trainingsprozess gestartet werden kann.