学習率（Learning Rate）は、機械学習や最適化アルゴリズムにおいて使用されるハイパーパラメータの一つです。学習率は、モデルのパラメータを更新する際のステップの大きさを制御します。

機械学習では、目的関数を最小化するためにパラメータを更新することが求められます。最適化アルゴリズムは、目的関数の勾配（導関数）を使用して、各パラメータの更新方向と大きさを決定します。学習率は、この更新の大きさを制御するために使用されます。

学習率が小さい場合、パラメータの更新がより小さなステップで行われます。これにより、最適化が収束するまでのステップ数が増える可能性がありますが、より正確な解に収束する可能性が高くなります。逆に、学習率が大きい場合、パラメータの更新が大きなステップで行われます。これにより、最適化が収束するまでのステップ数は減りますが、収束先が局所的な最小値になる可能性や発散する可能性が高くなります。

適切な学習率の選択は重要であり、最適な学習率は問題やモデルに依存します。一般的には、学習率を小さく始め、収束が遅い場合には大きくするという手法が採用されます。また、学習率のスケジューリングや自動調整アルゴリズムも使用されることがあります。

学習率は、機械学習モデルのトレーニングの効率性や収束性に大きな影響を与えるため、適切な学習率の設定は重要な課題です。適切な学習率を選択することで、モデルの学習が安定し、より高い性能を達成することができます。