python机器学习手写算法系列——贝叶斯优化 Bayesian Optimization

Bayesian Optimization 贝叶斯优化在无需求导的情况下,求一个黑盒函数的全局最优解的一系列设计策略。(Wikipedia)

最优解问题

最简单的,获得最优解的方法,就是网格搜索Grid Search了。

如果网格搜索开销稍微有点大,可以尝试随机搜索Random Search。

如果是凸函数Convex Function,我们可以用Gradient Descent。大量的机器学习算法,都用了这个。如线性回归,逻辑回归等。

如果,这个黑盒函数的开销非常大,又不是凸函数,我们则考虑贝叶斯优化。

贝叶斯优化概念

贝叶斯优化我们把这个黑盒函数叫做目标函数Objective Function。因为目标函数的开销大,我们要给他找一个近似函数,这个函数叫代理函数Surrogate Function。代理函数会计算出一条平均值曲线和对应的标准差(Standard Deviation)。有个代理函数,我们就可以找到一下个探索点。这个过程,用一个获取函数Acquisition Function里实现。

贝叶斯优化,是在一个特定的搜索空间search space展开的。

整个过程如下:

  1. 在搜索空间中,选几个初始点X
  2. 用目标函数计算初始点X对应的解y
  3. 更新代理函数
  4. 通过acquisition function获得下一个样本点。
  5. Goto 2

中英文流程图如下:

在这里插入图片描述

代理函数,一般就是用Gussian Process。

Acquisition Function的选择比较多。常见的有:

  1. Probability of Improvement (PI).
  2. Expected Improvement (EI).
  3. Upper/Lower Confidence Bound (LCB/UCB).

这里我们用 UCB.

a u c b ( x ; β ) = μ ( x ) + β σ ( x ) a_{ucb}(x;\beta) =\mu(x) + \beta\sigma(x) <

  • 6
    点赞
  • 46
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 4
    评论

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 4
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

织网者Eric

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值