Bayesovská optimalizace — sekvenční modelově založené ladění hyperparametrů
Bayesovská optimalizace je sekvenční, modelově založená strategie pro nalezení optima nákladných funkcí typu „černé skříňky“ s co nejmenším počtem vyhodnocení. Vychází z práce Mockuse (1975) a do mainstreamové praxe strojového učení ji vnesli Snoek, Larochelle a Adams (2012). Vytváří pravděpodobnostní náhradní model — typicky Gaussovský proces — na základě předchozích pozorování a používá akviziční funkci k rozhodnutí, kde provést další průzkum, přičemž vyvažuje exploraci neznámých oblastí s exploatací slibných oblastí.
Přečíst celou metodu
Pro přečtení této sekce se přihlaste s bezplatným účtem.
Method map
The neighbourhood of related methods — select a node to explore.
+9 more
Zdroje
Jak citovat tuto stránku
ScholarGate. (2026, June 1). Bayesian Optimization (Hyperparameter Tuning). ScholarGate. https://scholargate.app/cs/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.
- Automatické vyhledávání architektur neuronových sítíHluboké učení↔ compare
- Stochastická optimalizaceOptimalizace↔ compare
Odkazuje sem
Našli jste na této stránce chybu? Nahlaste ji nebo navrhněte opravu →