Bayesian Optimization — การปรับจูนไฮเปอร์พารามิเตอร์แบบลำดับขั้นโดยใช้แบบจำลอง
Bayesian Optimization เป็นกลยุทธ์แบบลำดับขั้นที่ใช้แบบจำลองเพื่อค้นหาค่าที่เหมาะสมที่สุดของฟังก์ชันแบบกล่องดำ (black-box function) ที่มีค่าใช้จ่ายสูง โดยใช้การประเมินผลให้น้อยที่สุด รากฐานมาจากงานของ Mockus (1975) และถูกนำมาสู่การปฏิบัติในวงกว้างของแมชชีนเลิร์นนิงโดย Snoek, Larochelle และ Adams (2012) วิธีการนี้จะปรับแบบจำลองตัวแทนเชิงความน่าจะเป็น (probabilistic surrogate model) — โดยทั่วไปคือ Gaussian Process — ให้เข้ากับข้อมูลที่สังเกตได้ก่อนหน้านี้ และใช้ฟังก์ชันการได้มา (acquisition function) เพื่อตัดสินใจว่าจะสำรวจจุดใดต่อไป โดยการสร้างสมดุลระหว่างการสำรวจพื้นที่ที่ไม่รู้จักกับการใช้ประโยชน์จากพื้นที่ที่มีแนวโน้มดี
อ่านวิธีฉบับเต็ม
เข้าสู่ระบบด้วยบัญชีฟรีเพื่ออ่านส่วนนี้
Method map
The neighbourhood of related methods — select a node to explore.
+9 more
แหล่งอ้างอิง
วิธีอ้างอิงหน้านี้
ScholarGate. (2026, June 1). Bayesian Optimization (Hyperparameter Tuning). ScholarGate. https://scholargate.app/th/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.
- การค้นหาสถาปัตยกรรมโครงข่ายประสาทเทียมการเรียนรู้เชิงลึก↔ compare
- Stochastic Optimizationการหาค่าเหมาะที่สุด↔ compare