Bu sorunun cevabının veri bilimindeki her yerle aynı olduğunu düşünüyorum: verilere bağlı :-)
Bir yöntemin bir diğerinden daha iyi performans göstermesi olabilir (burada https://arimo.com/data-science/2016/bayesian-optimization-hyperparameter-tuning/ insanlar Bayesian hiperparametre optimizasyonunu karşılaştırır ve San Francisco suç kaggle mücadelesinde daha iyi bir sonuç elde eder rastgele arama ile), ancak bunun için genel bir kural olduğundan şüpheliyim. İnsanların Bayes optimizasyonunun manzaraya götürdüğü 'yolu' gösterdiği burada güzel bir gif görebilirsiniz ( http://blog.revolutionanalytics.com/2016/06/bayesian-optimization-of-machine-learning-models.html ). Özellikle hiperparametrelerin, genel olarak rastgele aramadan daha iyi performans göstermesi gibi görünmüyor ...
İnsanların Bayesian hiperparametre optimizasyonunu kullanma eğiliminin nedeni, yeterince yüksek sayıda deneyle rastgele aramaya kıyasla karşılaştırılabilir bir sonuç elde etmek için daha az eğitim adımlarının atılmasıdır.
Bir cümleyle özetleme:
* Eğitim süresi kritik olduğunda, Bayesian hiperparametre optimizasyonunu kullanın ve zaman önemli değilse, ikisinden birini seçin ... *
Genellikle rasgele arama ile aynı sonucu elde edebilirsem Bayesli şeyleri Gaussian Processes ile uygulamak için çok tembelim ... Sadece Gradient Bossting topluluklarını 'az' veri üzerinde eğitiyorum, bu yüzden benim için zaman bir sorun değil ...