Process / pipeline

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.

Otevřít v MethodMindJiž brzyVideoJiž brzyDownload slides

Přečíst celou metodu

Pouze pro členy

Pro přečtení této sekce se přihlaste s bezplatným účtem.

Přihlásit se

Method map

The neighbourhood of related methods — select a node to explore.

+9 more

Zdroje

  1. Snoek, J., Larochelle, H., & Adams, R.P. (2012). Practical Bayesian Optimization of Machine Learning Algorithms. Advances in Neural Information Processing Systems (NeurIPS), 25. link
  2. Frazier, P.I. (2018). A Tutorial on Bayesian Optimization. arXiv:1807.02811. link

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.

Compare side by side

Odkazuje sem

ScholarGateBayesian Optimization (Bayesian Optimization (Hyperparameter Tuning)). Získáno 2026-06-15 z https://scholargate.app/cs/optimization/bayesian-optimization · Datová sada: https://doi.org/10.5281/zenodo.20539026