---
title: "貝氏最佳化（Bayesian Optimization）"
slug: bayesian-optimization
language: zh-TW
source: https://aiterms.tw/terms/bayesian-optimization
updated_at: 2026-04-29
tags: [機器學習, 模型訓練, 最佳化, AutoML, Python程式, 統計方法, iPAS中級]
ipas_term: false
---

# 貝氏最佳化（Bayesian Optimization）

> **超參數很多又很貴，能不能少試幾次就找到比較好的組合？**
> 你可以把貝氏最佳化想成會先學經驗再決定下一次試哪裡的搜尋法。
> 它特別適合評估一次成本高、又不想亂試太多次的問題。
>
> 你可以把它想成一個把抽象概念拉回日常判斷的提示，先知道它解決什麼問題，再看技術細節。

### 容易混淆

> **貝氏最佳化 vs 網格搜尋？**
> 貝氏最佳化：用代理模型挑下一個最值得試的點
> 網格搜尋：把參數空間整齊掃過去
> 最關鍵的區別：前者聰明挑點，後者是全域粗掃
>
> **貝氏最佳化 vs 隨機搜尋？**
> 貝氏最佳化：每次都會更新對目標函數的認識
> 隨機搜尋：每次都隨機抽參數
> 最關鍵的區別：BO 會利用過去結果，隨機搜尋不會
>
> **代理模型 vs 目標函數？**
> 代理模型：用來近似昂貴目標函數
> 目標函數：真正想最大化或最小化的東西
> 最關鍵的區別：代理模型是估計器，目標函數才是本體
### 記住這句就好

> 先學哪裡可能好，再去試哪裡
### 實際案例

> **模型調參**
> 訓練一次要幾小時時，用貝氏最佳化比亂試超參數更有效率
>
> **實驗配方**
> 材料實驗每次成本很高，研究者會先用少量試驗推估下一個更可能成功的配方
### 算法與應用

> | 重點 | 你要看什麼 | 為什麼重要 |
> |---|---|---|
> | 代理模型 | 近似目標函數 | 讓系統用少量試驗學到大致地形 |
> | 採集函數 | 決定下一個試驗點 | 平衡探索與利用 |
> | 優勢 | 試次少、效率高 | 很適合昂貴黑盒函數 |
### 情境判斷

> **Q1：如果你只能測 20 次參數組合，BO 有沒有可能比網格搜尋更合適？**
> → 很可能更合適，因為它會把試驗次數花在更值得的地方
>
> **Q2：如果目標函數很平滑、維度很低，而且評估很便宜，BO 還一定是首選嗎？**
> → 不一定，這時簡單搜尋法也可能已經夠用
### 常見問題

> **Q：貝氏最佳化一定用高斯過程嗎？**
> 不一定，隨機森林或其他代理模型也可以。
>
> **Q：它適合高維參數嗎？**
> 高維時通常會變難，因為代理模型與搜尋空間都更複雜。
>
> **Q：它和強化學習是一樣的嗎？**
> 不是，兩者都會做序列決策，但貝氏最佳化是在找最佳參數點。
### 相關術語

> - **超參數調校**：BO 最常用在超參數調校
> - **目標函數**：BO 要先知道自己要優化什麼
> - **探索與利用**：這是採集函數的核心取捨

---

來源：https://aiterms.tw/terms/bayesian-optimization
快查頁：https://aiterms.tw/terms/bayesian-optimization
最後更新：2026/04/29
深度解說：https://aiterms.tw/learning/what-is-bayesian-optimization