Process / pipeline

Bajezijanska optimizacija — sekvencijalno, modelom vođeno podešavanje hiperparametara

Bajezijanska optimizacija je sekvencijalna strategija zasnovana na modelu za pronalaženje optimuma skupih funkcija crne kutije sa što manje evaluacija. Ukorenjena u radu Mockusa (1975) i uvedena u uobičajenu praksu mašinskog učenja od strane Snoeka, Larochelle i Adamsa (2012), ona uklapa probabilistički surogat model — tipično Gausov proces — u prošla zapažanja i koristi akvizicionu funkciju da odluči gde će sledeće istraživati, balansirajući istraživanje nepoznatih regiona sa eksploatacijom obećavajućih.

Otvorite u MethodMindUskoroVideoUskoroDownload slides

Pročitajte celu metodu

Samo za članove

Prijavite se besplatnim nalogom da biste pročitali ovaj odeljak.

Prijavite se

Method map

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

+9 more

Izvori

  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

Kako citirati ovu stranicu

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

Citirana u

ScholarGateBayesian Optimization (Bayesian Optimization (Hyperparameter Tuning)). Preuzeto 2026-06-15 sa https://scholargate.app/sr/optimization/bayesian-optimization · Skup podataka: https://doi.org/10.5281/zenodo.20539026