ScholarGate
Pembantu
Process / pipeline

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.

Buka dalam MethodMindTidak lama lagiVideoTidak lama lagiDownload slides

Baca kaedah sepenuhnya

Ahli sahaja

Log masuk dengan akaun percuma untuk membaca bahagian ini.

Log masuk

Method map

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

+9 more

Sumber

  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

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.

Compare side by side

Dirujuk oleh

ScholarGateBayesian Optimization (Bayesian Optimization (Hyperparameter Tuning)). Dicapai 2026-06-15 daripada https://scholargate.app/ms/optimization/bayesian-optimization · Set data: https://doi.org/10.5281/zenodo.20539026