Pengoptimuman Bayesian — Penalaan Hiperparameter Berasaskan Model Berjujukan
Pengoptimuman Bayesian ialah strategi berjujukan berasaskan model untuk mencari optimum fungsi kotak hitam yang mahal dengan seberapa sedikit penilaian yang mungkin. Berakar umbi daripada kerja Mockus (1975) dan dibawa ke amalan pembelajaran mesin arus perdana oleh Snoek, Larochelle, dan Adams (2012), ia memadankan model probalistik pengganti — lazimnya Proses Gaussian — kepada pemerhatian lalu dan menggunakan fungsi pemerolehan untuk memutuskan tempat untuk menyiasat seterusnya, mengimbangi penerokaan kawasan yang tidak diketahui dengan eksploitasi kawasan yang menjanjikan.
Baca kaedah sepenuhnya
Log masuk dengan akaun percuma untuk membaca bahagian ini.
Method map
The neighbourhood of related methods — select a node to explore.
+9 more
Sumber
Cara memetik halaman ini
ScholarGate. (2026, June 1). Bayesian Optimization (Hyperparameter Tuning). ScholarGate. https://scholargate.app/ms/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.
- Pencarian Seni Bina NeuralPembelajaran Mendalam↔ compare
- Pengoptimuman StokastikPengoptimuman↔ compare
Dirujuk oleh
Terjumpa masalah pada halaman ini? Laporkan atau cadangkan pembetulan →