在一个区间上使函数最小化：

使用得到的 BayesianMinimizationObject[…] 获取所估计的最小值配置：

获取所估计的最小函数值：

在一个配置集合上使函数最小化：

在集合上获取最小值配置：

在由随机生成器定义的定义域上使函数最小化：

获取估计的最小值：

在一个区域上使函数最小化：

得到要查询的可用属性列表：

获取运算历史：

得到用于确定配置所尝试的方法的信息：

获取函数的当前概率模型（这是一个 PredictorFunction）：

如果最小化继续的话，得到要尝试的最佳配置：

同时得到一个属性列表：

可视化对该函数建模的良好效果，特别是在最小值附近：

在由随机邻域配置生成器定义的域上，最小化一个带有初始配置的函数：

得到函数的模型：

可视化最小值附近模型的表现：

定义一个函数，取一个图像，计算由 ImageIdentify 将图像识别为实体 所返回的负概率，定义域由一个随机发生器在图像库上定义：

最小化上述函数：

得到最小值配置：

获取运算历史：

定义一个训练集，训练使用 Predict 函数的预测函数，并定义一个测试集以衡量它们的效能：

创建一个“损失”函数，以检验 Predict 中不同方法的效能：

在由 Predict 的不同方法列表定义的域上最小化损失函数：

查看运算历史：

得到下一次要尝试的最佳配置：

加载费雪鸢尾花卉数据集，并将其划分为训练集和验证集：

创建“黑箱”函数. 这里函数是 Classify 函数中所用的两种不同方法下的损失（负对数似然）函数. 函数参数被称为超级参数.

训练具有两个超级参数（ L1 和 L2 的正则化系数）的 logistic 回归分类器：

对超级参数取对数，在由矩形区域定义的域上最小化 logistic 回归分类器的损失函数：

得到函数的模型：

可视化分类器的损失函数模型与所估计的最小值：

现在训练一个具有超级参数（软边缘参数和伽马缩放参数）的支持向量机（SVM）分类器：

对超级参数取对数，在由矩形区域定义的域上最小化 SVM 分类器的损失函数：

得到函数的模型：

可视化分类器的损失函数模型与所估计的最小值：

当目标函数的域由初始配置集和邻域配置生成器定义时，结果取决于所提供的生成器的质量.

域的定义如上，对函数进行最小化：

得到函数的模型：

由于起始的初始配置离全局最小值很“远”，生成器取相对较小的步长，该算法能收敛于局部最小值：

如果邻域配置生成器的步长”过大“或”过小“，就有可能导致问题：

在这种情况下，生成器在每一步提供一个配置值，该值是前一个配置值的平方，所以该值迅速变得非常庞大，造成概率模型不能正常工作.