Optimització bayesiana — Ajust seqüencial de hiperparàmetres basat en models
L'optimització bayesiana és una estratègia seqüencial basada en models per trobar l'òptim de funcions de caixa negra costoses amb el mínim nombre d'avaluacions possible. Arrelada en el treball de Mockus (1975) i introduïda a la pràctica general de l'aprenentatge automàtic per Snoek, Larochelle i Adams (2012), ajusta un model subrogat probabilístic —típicament un procés gaussià— a observacions passades i utilitza una funció d'adquisició per decidir on investigar a continuació, equilibrant l'exploració de regions desconegudes amb l'explotació de les prometedores.
Llegeix el mètode complet
Inicia la sessió amb un compte gratuït per llegir aquesta secció.
Method map
The neighbourhood of related methods — select a node to explore.
+9 more
Fonts
Com citar aquesta pàgina
ScholarGate. (2026, June 1). Bayesian Optimization (Hyperparameter Tuning). ScholarGate. https://scholargate.app/ca/optimization/bayesian-optimization
Which method?
Set this method beside its closest kin and read them side by side — the library lays the books on the table; the choice is yours.
- Cerca d'Arquitectures NeuronalsAprenentatge profund↔ compare
- Optimització estocàsticaOptimització↔ compare
Citat per
Has vist cap problema en aquesta pàgina? Informa'n o suggereix una correcció →