Bayesiansk optimering — sekventiell modellbaserad hyperparameteroptimering
Bayesiansk optimering är en sekventiell, modellbaserad strategi för att hitta optimum för dyra svart-låda-funktioner med så få utvärderingar som möjligt. Rotad i Mockus (1975) arbete och populariserad inom maskininlärning av Snoek, Larochelle och Adams (2012), anpassar den en probabilistisk surrogatmodell — typiskt en Gaussisk process — till tidigare observationer och använder en förvärvsfunktion för att bestämma var nästa utvärdering ska göras, balanserande utforskning av okända regioner med exploatering av lovande sådana.
Läs hela metoden
Logga in med ett kostnadsfritt konto för att läsa avsnittet.
Method map
The neighbourhood of related methods — select a node to explore.
+9 more
Källor
Så citerar du den här sidan
ScholarGate. (2026, June 1). Bayesian Optimization (Hyperparameter Tuning). ScholarGate. https://scholargate.app/sv/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.
- Neural Architecture SearchDjupinlärning↔ compare
- Stokastisk optimeringOptimering↔ compare
Refereras av
Hittade du ett fel på sidan? Rapportera eller föreslå en rättelse →