ある区間上で関数を最大化する：

結果のBayesianMaximizationObject[…]を使って推定最大構成を得る：

推定最大関数値を得る：

構成集合上で関数を最大化する：

集合上で最大構成を得る：

乱数生成器によって定義された領域上で関数を最大化する：

推定最大値を得る：

領域上で関数を最大化する：

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：

最大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：

ランダム近傍構成生成器で定義された領域上で最初の構成を使って関数を最大化する：

関数のモデルを得る：

最大値近くでのモデルのパフォーマンスを可視化する：

画像を取って画像が実体であると認識するImageIdentifyが返す確率を計算する関数を定義する．領域は画像のコーパス上で乱数生成器によって定義されるものとする：

上記の関数を最大化する：

最大の形状を得る：

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：

「対数尤度」関数を作ってPredictにおけるさまざまなメソッドのテストデータの対数尤度をテストする：

Predictについてのさまざまなメソッドのリストで定義された領域上で対数尤度関数を最大化する：

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を持つ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ための対数尤度関数を対数ハイパーパラメータの矩形領域で定義された領域上で最大化する：

関数のモデルを得る：

分類器の対数尤度関数のモデルを推定最大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を持つ，サポートベクトルマシン(SVM)分類器を訓練する：

SVM分類器についての対数尤度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大化する：

関数のモデルを得る：

分類器の対数尤度関数のモデルを推定最大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大値よりから「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，アルゴリズムは極大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：

上記の評価には時間がかかる．生成器の刻み幅が非常に小さいので，アルゴリズムはデフォルト値の100回反復に達するまで実行し続ける：