টি এল; ডিআর
আমি LIPO ব্যবহার করার পরামর্শ দিচ্ছি। খাঁটি র্যান্ডম অনুসন্ধান (পিআরএস) এর চেয়ে এটি যথাযথভাবে সঠিক এবং সম্ভবত কার্যকর। এটি প্রয়োগ করাও অত্যন্ত সহজ, এবং এর কোনও হাইপারপ্যারামিটার নেই। আমি কোনও বিশ্লেষণ পরিচালনা করি নি যা LIPO এর সাথে বিও এর সাথে তুলনা করে, তবে আমার প্রত্যাশাটি হল যে LIPO এর সরলতা এবং দক্ষতা বোঝায় যে এটি বিও-কে সম্পাদন করবে।
(আরও দেখুন: বায়সিয়ান হাইপার প্যারামিটার অপ্টিমাইজেশনের কিছুটা ব্যর্থতা কী? )
বায়েশিয়ান অপটিমাইজেশন
বায়সিয়ান অপ্টিমাইজেশন-ধরণের পদ্ধতিগুলি প্যারামিটারের স্থানটি অনুসন্ধান করতে গসিয়ান প্রক্রিয়া সারোগেট মডেল তৈরি করে। মূল ধারণাটি হ'ল প্যারামিটার টিউপসগুলি যা একত্রে খুব কাছাকাছি রয়েছে একই ধরণের ফাংশন মান থাকবে, সুতরাং পয়েন্টগুলির মধ্যে একটি সহ-বিবর্তনের কাঠামোর অনুমানের ফলে অ্যালগরিদমকে পরবর্তী পরামিতি সেরা প্যারামিটার টিপল কী সর্বাধিক সার্থক তা সম্পর্কে শিক্ষিত অনুমান করতে দেয় allows এই কৌশলটি ফাংশন মূল্যায়নের সংখ্যা হ্রাস করতে সহায়তা করে; প্রকৃতপক্ষে, বিও পদ্ধতিগুলির অনুপ্রেরণাটি হ'ল "সম্পূর্ণ মহিষ ব্যবহার করার সময়" পরবর্তী পরীক্ষাটি কী করবে সে সম্পর্কে ভাল অনুমান করার জন্য ফাংশন মূল্যায়নের সংখ্যা যতটা সম্ভব কম রাখা। যোগ্যতার বিভিন্ন পরিসংখ্যান রয়েছে (প্রত্যাশিত উন্নতি, প্রত্যাশিত কোয়ান্টাইল উন্নতি, উন্নতির সম্ভাবনা ...) যা পরবর্তী দেখার জন্য পয়েন্টগুলি তুলনা করতে ব্যবহৃত হয়।
এটি কোনও গ্রিড অনুসন্ধানের মতো বিপরীতে তৈরি করুন, যা এর আগের ফাংশন মূল্যায়ন থেকে কোনও তথ্য কখনই ব্যবহার করা হবে তা জানাতে হবে না next
ঘটনাচক্রে, এটি একটি শক্তিশালী বৈশ্বিক অপ্টিমাইজেশান কৌশলও এবং এর ফলে পৃষ্ঠের জঞ্জালতা সম্পর্কে কোনও অনুমান করা যায় না। অতিরিক্তভাবে, যদি ফাংশনটি স্টোকাস্টিক হয় (বলুন, মূল্যায়নের কিছু সহজাত এলোমেলো শব্দ আছে), এটি সরাসরি জিপি মডেল হিসাবে গণ্য হতে পারে।
অন্যদিকে, আপনাকে প্রতিটি পুনরাবৃত্তিতে কমপক্ষে একটি জিপি ফিট করতে হবে (বা বেশ কয়েকটি, "সেরা" বাছাই করা, বা বিকল্পগুলির উপরে গড়, বা সম্পূর্ণ বেইসিয়ান পদ্ধতিগুলি)। তারপরে, মডেলটি সাধারণত (বহু হাজার) পূর্বাভাস তৈরি করতে ব্যবহৃত হয়, সাধারণত মাল্টিস্টার্ট স্থানীয় অপ্টিমাইজেশনের আকারে, পর্যবেক্ষণ করে যে অপ্টিমাইজেশনের অধীনে ফাংশনটির তুলনায় জিপি পূর্বাভাস ফাংশনটি মূল্যায়ন করা অনেক সস্তা। তবে এই কম্পিউটেশনাল ওভারহেডের সাথেও এটি এমন প্রবণতা বজায় রাখে যে এমনকি ননকনভেক্স ফাংশনগুলি অপেক্ষাকৃত কম সংখ্যক ফাংশন কলগুলির সাথেও অনুকূলিত করা যায়।
এই বিষয়টির একটি বহুল আলোচিত কাগজ হ'ল জোন্স এট আল , "ব্যয়বহুল কালো-বাক্স কার্যকারিতার দক্ষ গ্লোবাল অপ্টিমাইজেশন"। তবে এই ধারণার মধ্যে অনেক বৈচিত্র রয়েছে।
র্যান্ডম অনুসন্ধান
এমনকি মূল্য ফাংশনটি মূল্যায়নের জন্য ব্যয়বহুল হলেও, এলোমেলো অনুসন্ধান এখনও কার্যকর হতে পারে। এলোমেলো অনুসন্ধান প্রয়োগ করা ময়লা-সহজ। গবেষক সেটিং না করা শুধু পছন্দ সম্ভাব্যতা আপনি আপনার ফলাফল কিছু থাকা চাই সমাংশক ; বাকিগুলি প্রাথমিক সম্ভাবনা থেকে ফলাফলগুলি স্বয়ংক্রিয়ভাবে এগিয়ে যায়।qপি কুই
ধরুন আপনার কোয়ানটাইলটি এবং আপনি একটি সম্ভাবনা চান যে মডেল ফলাফলগুলি সমস্ত হাইপারপাটারমিটারের শতাংশের শীর্ষে রয়েছে । সমস্ত টিউপল চেষ্টা করে যে উইন্ডোটিতে সেই সম্ভাবনাটি not (কারণ তারা একই বিতরণ থেকে এলোমেলোভাবে স্বাধীনভাবে নির্বাচিত হয়), সুতরাং সেই অঞ্চলে কমপক্ষে একটি টুপল থাকার সম্ভাবনাটি । । সব একসাথে রাখা, আমাদের আছেপি = 0.95 100 × ( 1 - কিউ ) = 5 এন কিউ এন = 0.95 এন 1 - 0.95 এনকুই= 0.95পি = 0.95100 × ( 1 - কুই) = 5এনকুইএন= 0.95এন1 - 0.95এন
1 - কিউএন≥ পি⟹এন ≥ লগ( 1 - পি )লগ ইন করুন( প্রশ্ন))
যা আমাদের নির্দিষ্ট ঘটনাতে উৎপাদনের মধ্যে ।n ≥ 59
এই ফলস্বরূপ বেশিরভাগ লোক এলোমেলো অনুসন্ধানের জন্য প্রয়াসের টিপলগুলির প্রস্তাব দেয় । এটি লক্ষণীয় যে গৌসিয়ান প্রসেস-ভিত্তিক পদ্ধতিগুলির সাথে একটি পরিমিত সংখ্যক পরামিতি রয়েছে যখন ভাল ফলাফল পেতে প্রয়োজনীয় পরীক্ষাগুলির সাথে তুলনামূলক। গাউসিয়ান প্রক্রিয়াগুলির বিপরীতে, অনুসন্ধানের টিউপসগুলির সংখ্যা অনুসন্ধানের জন্য হাইপারপ্যারামিটারের সংখ্যার সাথে পরিবর্তিত হয় না; প্রকৃতপক্ষে, প্রচুর সংখ্যক হাইপারপ্যারামিটারের জন্য, গাউসিয়ান প্রক্রিয়া-ভিত্তিক পদ্ধতিটি অগ্রগতিতে অনেকগুলি পুনরাবৃত্তি নিতে পারে।এন = 60n = 60n = 60
যেহেতু ফলাফলগুলি কতটা ভাল তার সম্ভাব্য গ্যারান্টি রয়েছে তাই আপনার বসকে বোঝানোর জন্য এটি একটি অনুপ্রেরণামূলক সরঞ্জাম হতে পারে যে আরও পরীক্ষা-নিরীক্ষা চালানোর প্রয়োজন নেই।
লিপো এবং এর রূপগুলি
এটি একটি উত্তেজনাপূর্ণ আগমন যা এটি যদি নতুন না হয় তবে তা অবশ্যই আমার কাছে নতুন। এটি ফাংশনটিতে অবহিত সীমা স্থাপনের মাধ্যমে এবং সেরা বাউন্ড থেকে নমুনা দেওয়ার মাধ্যমে এবং চতুর্ভুজীয় আনুমানিকতা ব্যবহার করে পর্যায়ক্রমে এগিয়ে যায়। আমি এখনও সমস্ত বিবরণ দিয়ে কাজ করছি, কিন্তু আমি মনে করি এটি খুব আশাব্যঞ্জক। এটি একটি দুর্দান্ত ব্লগ রাইটিং আপ এবং কাগজটি হলেন সিড্রিক ম্যালহের্বি এবং নিকোলাস ভায়াটিস "লিপসিৎজ ফাংশনগুলির গ্লোবাল অপ্টিমাইজেশন "।