贝叶斯优化是一种在函数具体形态未知时寻找极值的优化技术，尤其适用于小于20维空间的问题。它通过不断取样来推测函数的最大值，不需要函数的导数或凸性。优化过程中，利用获取的样本数据构建高斯过程回归（GPR），通过选取提取函数（如probability of improvement, expected improvement, upper confidence bound等）来决定下一个采样点。这种方法平衡了探索和利用，能够在探索未知空间的同时强化已有最佳结果。"
131162163,9148081,使用Vue3+Layui搭建通用后台管理系统前端,"['前端开发', 'Vue', 'layui', 'echarts', '项目创建']
关键字：提取函数aquisition function，熵，响应曲面
简介：所谓优化，实际上就是一个求极值的过程，数据科学的很多时候就是求极值的问题。那么怎么求极值呢？很显然，很容易想到求导数，这是一个好方法，但是求导即基于梯度的优化的条件是函数形式已知才能求出导数，并且函数要是凸函数才可以。然而实际上很多时候是不满足这两个条件的，所以不能用梯度优化，贝叶斯优化应运而生了。
贝叶斯优化常原来解决反演问题，
（反演问题是指由结果及某些一般原理（或模型）出发去确定表征问题特征的参数（或模型参数））
贝叶斯优化的好处在于只需要不断取样，来推测函数的最大值。并且采样的点也不多。
一、贝叶斯优化的适用条件
不知道函数的具体形态即表达式
但是如果给定一个x，可以计算y。这里的计算方法可以使用之前的GPR，如果(x,y)够多了，那么就基本知道函数图像的走势了。
适用于小于20维的空间上优化
二、目的
找出函数的最值，这是最主要的目的。因为很多时候数据科学的一大部分问题都是
最低0.47元/天 解锁文章
5250
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
