网格搜索是系统化穷举指定参数组合、结合交叉验证评估并自动选出最优超参数的方法；其核心在于合理定义参数空间、调用GridSearchCV执行搜索，并通过best_params_等属性获取结果。
网格搜索（Grid Search）是机器学习中调参最常用、最可靠的方法之一，它通过穷举所有指定参数组合，在交叉验证下评估模型性能，自动选出最优参数。关键不是“全试”，而是“有策略地穷举”——你得先明确哪些参数重要、取值范围是否合理、计算资源能否承受。
一、准备基础模型和参数空间
选好你要优化的模型（比如 RandomForestClassifier 或 SVC），再列出真正影响性能的超参数。别一股脑把所有参数都塞进去——参数越多，组合爆炸越快。例如随机森林，通常重点调 n_estimators、max_depth、min_samples_split 就够了；SVM 则优先关注 C 和 gamma。
参数空间用字典定义，支持列表或 scikit-learn 提供的分布类（如 LogUniform），但标准网格搜索只认列表：
'n_estimators': [100, 200, 300],
'max_depth': [3, 5, 7, None],
'min_samples_split': [2, 4, 6]
}
二、套用 GridSearchCV 进行搜索
核心是 GridSearchCV 类：它封装了训练、交叉验证、评分、结果汇总全过程。注意几个关键参数：
立即学习“Python免费学习笔记（深入）”；
-
cv：建议用
StratifiedKFold(n_splits=5)（分类）或KFold（回归），比默认的 5 折更稳定 -
scoring：明确指定评估指标，如
'f1'、'roc_auc'、'neg_mean_squared_error'；多指标可用列表，但refit需指定主指标 -
n_jobs：设为
-1能自动用满 CPU 核心，大幅提速（尤其参数组合多时） -
verbose：设为
1或2可看实时进度，避免干等
示例代码：
from sklearn.model_selection import GridSearchCVfrom sklearn.ensemble import RandomForestClassifier
model = RandomForestClassifier(random_state=42)
grid = GridSearchCV(
model,
param_grid,
cv=5,
scoring='f1',
n_jobs=-1,
verbose=1
)
grid.fit(X_train, y_train)
三、查看与使用最优结果
拟合完成后，grid.best_params_ 给出最优参数字典，grid.best_score_ 是对应交叉验证平均分，grid.best_estimator_ 是已用最优参数重新训练好的完整模型，可直接用于预测：
print("最优参数：", grid.best_params_)print("CV 得分：", grid.best_score_)
y_pred = grid.best_estimator_.predict(X_test)
还想看全部组合表现？访问 grid.cv_results_——它是个字典，含 'param_n_estimators'、'mean_test_score'、'std_test_score' 等键，转成 DataFrame 更方便分析：
results = pd.DataFrame(grid.cv_results_)
results[['param_max_depth', 'param_n_estimators', 'mean_test_score', 'std_test_score']]
.sort_values('mean_test_score', ascending=False)
四、实用技巧与避坑提醒
- 先粗后细：首轮用大步长（如
C=[0.1, 1, 10]），找到大致区间后再缩窄（如C=[0.5, 1, 2]） - 慎用
None值：像max_depth=None会禁用剪枝，可能严重过拟合，建议换成一个合理上限（如 20） - 类别不平衡时，别只看准确率：改用
scoring='f1_weighted'或自定义 scorer - 内存/时间吃紧？换 RandomizedSearchCV —— 它采样而非穷举，效果接近且快得多
- 训练集太小？减少
cv折数（如 3 折），或改用LeaveOneOut（仅限极小样本）
基本上就这些。网格搜索不复杂，但容易忽略参数意义和数据特性。跑之前多想一步“这个参数真会影响泛化吗”，比盲目加参数更有效。
