区間上で関数を最小化する：

結果のBayesianMinimizationObject[…]を使って推定最小構成を得る：

推定最小関数値を得る：

構成集合上で関数を最小化する：

集合上で最小構成を得る：

乱数生成器によって定義された領域上で関数を最小化する：

推定最小値を得る：

領域上で関数を最小化する：

クエリに対して使用可能な特性リストを得る：

評価の履歴を得る：

試してみる構成の決定に使われたメソッドについての情報を得る：

関数の現行の確率論モデル（これはPredictorFunctionである）を得る：

最小化が続けられた場合に試みる最高の構成を求める：

特性のリストを同時に求める：

関数が特に最小値近くでどの程度うまくモデル化されたかを可視化する：

ランダム近傍設定生成器によって定義された領域上の初期設定で関数を最小化する：

関数のモデルを得る：

最小値付近のモデルのパフォーマンスを可視化する：

画像を取り，画像を実体として認識するImageIdentifyが返す負の確率を計算する関数を定義する．領域はランダム生成器によって画像のコーパス上で定義されるものとする：

上記の関数を最小化する：

最小の設定を得る：

評価履歴を得る：

Predict関数を使って予測関数を訓練する訓練集合とそのパフォーマンスを測るテスト集合を定義する：

「損失」関数を作ってPredictにおけるさまざまなメソッドのパフォーマンスをテストする：

Predictのさまざまなメソッドのリストによって定義された領域上で損失関数を最小化する：

評価履歴を調べる：

次に調べる最上の構成を求める：

Fisherのアヤメに関するデータ集合をロードし，訓練集合と検証集合に分ける：

「ブラックボックス」関数を作る．ここでのこの関数は，Classify関数が使う異なる2つのメソッドについての損失（負の対数尤度）関数である．この関数の引数はハイパーパラメータとして知られている：

正規化係数である L1とL2の2つのハイパーパラメータのあるロジスティック回帰分類器を訓練する：

ロジスティック回帰分類器の損失関数を，ハイパーパラメータの対数の矩形領域で定義された領域上で最小化する：

関数のモデルを得る：

分類器の損失関数のモデルを推定最小値とともに可視化する：

次に，ソフトマージンパラメータとガンマスケーリングパラメータの2つのハイパーパラメータのある，サポートベクトルマシン(SVM)分類器を訓練する：

SVM分類器の損失関数を，ハイパーパラメータの対数における矩形領域で定義された領域上で最小化する：

関数のモデルを得る：

損失関数のモデルを推定最小値とともに可視化する：

目的関数の領域が初期設定集合と近傍設定生成器によって定義されるとき，結果は与えられる生成器の品質に依存する．

上記のように領域が定義されている箇所で関数を最小化させる：

関数のモデルを得る：

開始時の初期設定が大域的最小値よりから「はるかに」離れていて生成器の刻み幅が比較的小さいとき，アルゴリズムは極小値に収束ことができる：

近傍の設定生成器の刻み幅が「大きすぎる」または「小さすぎる」ときは問題が起こる可能性がある：

この場合は，各ステップで生成器がその前の値の平方である設定値を与える．値は急速に非常に大きくなり，確率的モデルは適切には動かない．