Details
| Title | Study of the concept of Bayesian optimization and practical use of its algorithms in the Python programming language // Technoeconomics: an international journal. – 2023. – Vol. 2, № 4. — С. 4-15 |
|---|---|
| Creators | Chernyagin A. ; Svetunkov S. |
| Imprint | 2023 |
| Collection | Общая коллекция |
| Subjects | Экономика ; Математическая экономика. Эконометрика ; bayesian optimization ; bayesian optimization algorithms ; programming languages ; hyperparameters of machine learning ; economic problems ; Python ; байесовская оптимизация ; алгоритмы байесовской оптимизации ; языки программирования ; гиперпараметры машинного обучения ; экономические задачи |
| UDC | 330.4 |
| LBC | 65в631 |
| Document type | Article, report |
| File type | |
| Language | English |
| DOI | 10.57809/2023.2.4.7.1 |
| Rights | Свободный доступ из сети Интернет (чтение, печать, копирование) |
| Record key | RU\SPSTU\edoc\72349 |
| Record create date | 1/17/2024 |
The aim of the study is to explore the principles of Bayesian optimization and its potential for solving complex problems, including economic ones. This article presents the main aspects of Bayesian optimization such as selection of a priori distribution, estimation of posterior distribution and selection of optimal model parameters. An example of applying Bayesian optimization to find hyperparameters using the Python programming language is presented. Bayesian optimization algorithms and their application to improve machine learning models were studied. The use of Bayesian optimization algorithm for finding hyperparameters can be useful in the future for optimizing various machine learning models such as neural networks, SVM and others.
Цель исследования заключается в изучении принципов байесовского подхода в различных областях, а также подробное изучение байесовской оптимизации и ее возможностей для решения сложных задач, в том числе, экономических. В данной работе представлены основные аспекты байесовской оптимизации, такие как выбор априорного распределения, оценка апостериорного распределения и выбор оптимальных параметров модели. Приведен пример применения байесовской оптимизации для нахождения гиперпараметров с помощью языка программирования Python. Были изучены алгоритмы байесовской оптимизации и их применение для улучшения моделей машинного обучения. Использование алгоритма байесовской оптимизации для нахождения гиперпараметров может быть полезным в будущем для оптимизации различных моделей машинного обучения, таких как нейронные сети, SVM и другие.
| Network | User group | Action |
|---|---|---|
| ILC SPbPU Local Network | All |
|
| Internet | All |
|
Access count: 184
Last 30 days: 17
