超參數最佳化／模型選擇

對非學習得到的組態——正則化強度、CSP 成分或所選通道數、頻帶、核寬、網路深度——的搜尋，這些組態支配管線的容量。策略從網格搜尋（在離散化空間上窮舉，簡單但隨超參數數目指數成長）、隨機搜尋（當僅少數超參數重要時常更有效率），到貝氏最佳化（以代理模型提出有前景的組態，當每次評估昂貴時有價值）。

不可違反的原則是選擇必須僅用訓練資料、經內層驗證迴圈進行；將最佳組態自身的驗證分數當作表現來報告是樂觀偏誤，其修正即巢狀交叉驗證。在小型 BCI 校正集下，選擇本身即含雜訊，故在良好先驗上做粗略搜尋（如以解析 γ 的收縮 LDA）常勝過在驗證折上過度擬合的窮舉搜尋。