一个全球性的黑盒优化引擎,用于实现现实世界指标的优化。
[](https://travis-ci.org/Yelp/MOE)
注：travis 链接暂时被禁用。最后一次主要的 MOE 提交成功，但我们的 travis 流程似乎出现了问题（可能是包过时了？）。本地测试和 Docker 仍然通过/构建，MOE 仍然可以正常工作。
优化系统的点击率 (CTR)。 如果评估 CTR 需要在真实用户流量上运行 A/B 测试,而要获得统计上有意义的结果,则需要运行此测试相当长的时间 (几小时、几天甚至几周),MOE 就很有用。* 优化机器学习预测方法的可调参数。 如果计算参数的一个选择的预测误差需要很长时间,这可能是因为预测方法复杂且需要很长时间来训练,或者是因为用来评估误差的数据量巨大。
优化工程系统的设计（例如飞机、城市交通网络、内燃机、医院）。如果要评估设计需要在超级计算机上运行基于物理的复杂数值模拟，MOE 就很有用。 * 优化现实世界实验的参数（化学、生物或物理实验、药物试验）。当每次实验都需要在实验室中进行物理创建，或者很少有实验可以并行运行时，MOE 就很有用。
MOE 非常适用于优化问题的目标函数是一个黑盒函数,不一定是凸或凹的,无法求导,而且我们要寻找全局最优解,而不仅仅是局部最优解。这种处理黑盒目标函数的能力使我们可以使用 MOE 优化几乎任何系统,而无需获得任何内部知识或访问权限。要使用 MOE,我们需要提供以下信息:
暂无开放 Issues，或尚未同步最近议题。