Process / pipeline

بهینه‌سازی بیزی — تنظیم فراپارامترها به صورت متوالی با استفاده از مدل

بهینه‌سازی بیزی یک استراتژی متوالی مبتنی بر مدل برای یافتن نقطه بهینه توابع جعبه سیاه پرهزینه با کمترین ارزیابی ممکن است. این روش که ریشه در کارهای Mockus (1975) دارد و توسط Snoek، Larochelle و Adams (2012) به حوزه یادگیری ماشین معرفی شد، یک مدل جایگزین احتمالی — معمولاً یک فرایند گوسی — را بر اساس مشاهدات گذشته برازش می‌دهد و از یک تابع اکتساب برای تصمیم‌گیری در مورد محل کاوش بعدی استفاده می‌کند و بین کاوش در مناطق ناشناخته و بهره‌برداری از مناطق امیدوارکننده تعادل برقرار می‌نماید.

باز کردن در MethodMindبه‌زودیویدیوبه‌زودیDownload slides

مطالعهٔ کامل روش

ویژهٔ اعضا

برای خواندن این بخش با حساب رایگان وارد شوید.

ورود

Method map

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

+9 more

منابع

  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

نحوهٔ استناد به این صفحه

ScholarGate. (2026, June 1). Bayesian Optimization (Hyperparameter Tuning). ScholarGate. https://scholargate.app/fa/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

ارجاع‌شده در

ScholarGateBayesian Optimization (Bayesian Optimization (Hyperparameter Tuning)). بازیابی‌شده در 2026-06-15 از https://scholargate.app/fa/optimization/bayesian-optimization · مجموعه‌داده: https://doi.org/10.5281/zenodo.20539026