我怀疑超参数的含义取决于上下文，但这里是：

我会说模型的参数是直接拟合数据的参数，而超参数是用户设置或间接拟合数据的参数。例如在岭回归中，参数是回归系数，岭参数是超参数。在这种情况下，回归参数是通过使用惩罚项最小化负对数似然来确定的，通常通过正规方程

$\vec{\beta} = [XX^T + \lambda I]^{-1}X^T\vec{y}$

而岭参数，$\lambda$, 由用户设置（也许只是为了确保矩阵是可逆的）或者可以通过最小化交叉验证误差或广义交叉验证来调整。在这种情况下，$\lambda$使用数据进行调整，但只是间接调整。

有时参数和超参数之间没有真正的统计区别，除了有一种计算有效的方式来确定一组参数的值给定其他参数的值，第一组被称为“参数”和第二组被称为“超参数”，但这实际上只是为了方便。例如，我（和 Marsupial 夫人）发现 [ 1 ] 直接在数据上调整内核机器（例如 LS-SVM）的内核参数会更好（带有额外的正则化项），因此我们将它们视为参数，而不是通常将它们视为超参数的方法（例如通过交叉验证进行调整）。

我不认为 Dirichlet 分布本身具有超参数，但是如果在贝叶斯分析中将 Dirichlet 分布用作先验，那么 Dirichlet 分布的参数将成为模型的超参数。模型的参数直接从给定 Dirichlet 先验的数据中确定（以及通过例如最大化模型的证据间接调整到数据的超参数）。

[ 1 ] Cawley、GC 和 Talbot NL C，“第一级推理的内核学习”，神经网络，第 53 卷，第 69-80 页，2014 年 5 月。（doi，预印本）