GridSearchCV并非寻找数学意义上的全局最优解，而是在用户指定的离散参数网格中穷举搜索最优组合；它不插值、不优化、不探索网格外空间，结果受限于参数范围与粒度设计。
GridSearchCV 真的在找“全局最优”吗？
不。它只在你明确列出的参数组合里找最优，不是数学意义上的全局最优解——它根本不知道参数空间之外长什么样，也不做插值或梯度探索。GridSearchCV 是穷举，不是优化算法。
常见误解是：只要网格够密，就等于“接近全局最优”。但实际中，参数往往有强非线性响应（比如 learning_rate=0.01 和 0.015 效果可能天差地别，而 0.012 却没试），盲目加密网格只会让耗时爆炸，且未必提升效果。
- 网格粒度要结合参数敏感性来设：对
C（SVM）、n_estimators（树模型）这类影响平缓的，用对数间隔更合理（如[1e-3, 1e-2, 1e-1, 1, 10]） - 对
max_depth、min_samples_split这类整型参数，必须用整数列表，别传np.arange(3, 11)后忘了转list，否则GridSearchCV会静默失败或报TypeError: unhashable type: 'numpy.ndarray' - 避免把高维参数全塞进网格：4 个参数各取 5 个值 → 625 次训练；加到 5 个参数就变成 3125 次——这时候该换
RandomizedSearchCV或optuna
cv 参数设成 5 还是 3？交叉验证折数怎么选才不翻车
cv 不只是控制“验证几次”，它直接影响模型评估的稳定性和计算开销。默认 cv=5 是经验选择，但不是银弹。
- 小数据集（
n_samples ）用 <code>cv=3或StratifiedKFold(n_splits=3)，否则每折样本太少，评估方差大，选出的“最优”参数可能只是某次划分的偶然结果 - 时间序列数据不能直接用
KFold，得用TimeSeriesSplit，否则信息泄露——GridSearchCV(cv=TimeSeriesSplit(n_splits=3))才合规 - 分类任务类别严重不均衡时，
cv=StratifiedKFold(n_splits=5, shuffle=True, random_state=42)必须显式指定，否则某些折可能缺少数类别，触发ValueError: The least populated class has only 1 member
scoring 用 'f1' 还是 'f1_macro'？指标选错直接导致选错模型
scoring 决定了 GridSearchCV 按什么标准挑“最优”。默认是 'score'（即模型自带的 .score() 方法），对分类器通常是准确率，但这在不平衡数据上完全不可靠。
macOS UI 自动化技能包 —— 用 Python 控制你的 Mac
下载
让 macOS 自动化像说话一样简单 —— 用代码控制你的 Mac，无需学习 AppleScript 系统要求 macOS 14+ (Sonoma) Python 3.9+ 需要开启：辅助功能 + 屏幕录制权限
立即学习“Python免费学习笔记（深入）”；
- 二分类且关注正例识别：用
scoring='f1'（等价于f1_binary） - 多分类且各类重要性相当：用
scoring='f1_macro'，而不是'f1'（后者在 sklearn f1_macro，但新版已弃用隐式行为） - 想同时监控多个指标：传字典，如
scoring={'f1': 'f1_macro', 'precision': 'precision_macro'}，再通过refit='f1'指定以哪个为准选最终模型 - 自定义指标必须返回标量：函数签名得是
def my_scorer(estimator, X, y) -> float，漏了return或返回数组会报TypeError: float() argument must be a string or a number
fit 后怎么拿到真正“最优”的模型和参数？别只看 best_params_
best_params_ 只告诉你网格里哪组参数得分最高，但它不等于部署时该用的模型——因为 GridSearchCV 在最后会用全部训练数据，基于最优参数重新拟合一次，这个最终模型存在 best_estimator_ 里。
- 直接用
grid.best_estimator_.predict(X_test)，别自己用best_params_新建模型再 fit，否则训练数据没用满，效果必然打折扣 -
cv_results_是字典，含所有组合的详细得分（'mean_test_f1'、'std_test_f1'等），用pd.DataFrame(grid.cv_results_)查看，重点关注std_test_f1大于 0.05 的组合——稳定性差，慎选 - 如果
best_score_和次优组合只差 0.001，但后者训练快 3 倍，优先选后者；GridSearchCV不负责权衡效率，这得人来判断
参数空间本身是离散化、有偏的，所谓“最优”永远受限于你划的那张网。真正的难点不在怎么跑通 GridSearchCV，而在怎么设计一张既不过于稀疏、又不至于算不动的网——这需要对模型行为的经验，而不是对 API 的熟悉。
