Process / pipeline

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

เปิดใน MethodMindเร็ว ๆ นี้วิดีโอเร็ว ๆ นี้Download slides

อ่านวิธีฉบับเต็ม

สำหรับสมาชิกเท่านั้น

เข้าสู่ระบบด้วยบัญชีฟรีเพื่ออ่านส่วนนี้

เข้าสู่ระบบ

Method map

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

+9 more

แหล่งอ้างอิง

  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

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.

Compare side by side

ถูกอ้างอิงโดย

ScholarGateBayesian Optimization (Bayesian Optimization (Hyperparameter Tuning)). สืบค้นเมื่อ 2026-06-15 จาก https://scholargate.app/th/optimization/bayesian-optimization · ชุดข้อมูล: https://doi.org/10.5281/zenodo.20539026