Analityk danych dostraja hiperparametr x, który jest bardzo czuły; optymalna wartość leży między 0.5 a 1.0 i uważa się, że jest bliska 1.0. Musi znaleźć optymalną wartość przy minimalnej liczbie uruchomień i spójnych warunkach. Jakiego typu skalowania hiperparametru powinien użyć?

Odwrócone skalowanie logarytmiczne (inverse log-scale) jest odpowiednie, gdy optymalna wartość hiperparametru jest bliska górnej granicy zakresu i wymaga precyzyjnego przeszukiwania w tym obszarze. Skalowanie to koncentruje więcej punktów próbkowania bliżej wartości 1.0, co jest kluczowe dla znalezienia optymalnej wartości przy minimalnej liczbie uruchomień. Skalowanie liniowe równomiernie rozkłada punkty, co może być nieefektywne, gdy optymalna wartość jest skoncentrowana w jednym końcu zakresu. Skalowanie logarytmiczne (log-scale) koncentruje punkty bliżej dolnej granicy zakresu (np. 0.0), co byłoby nieodpowiednie w tym przypadku. Skalowanie automatyczne nie jest standardowym typem skalowania hiperparametrów w kontekście ich przeszukiwania.