应直接使用GridSearchCV或RandomizedSearchCV而非手写循环，因其内置交叉验证、自动refit最优模型、避免数据泄露、支持scoring/cv自定义及容错控制；参数空间小时用GridSearchCV，大或需对数采样时用RandomizedSearchCV。
直接用 GridSearchCV 或 RandomizedSearchCV，别手写循环——它们内置交叉验证、参数遍历和模型评估，且支持 scoring 和 cv 自定义，是唯一靠谱的自动化路径。
为什么不用自己 for 循环套 cross_val_score？
手动写参数循环 + cross_val_score 看似灵活，实则漏掉关键环节：它不保存最优模型、不返回各参数组合的完整评估结果、无法处理训练集/验证集的数据泄露（比如预处理未在每折内独立拟合），而且难以并行。更严重的是，cross_val_score 返回的是分数数组，你得自己做 argmax、再重新 fit 一次模型——这一步极容易在标准化、编码等步骤上出错，导致线上效果和 CV 分数不一致。
无序列表：
- 手动循环无法保证每折中
StandardScaler的fit_transform仅作用于当前训练子集 - 没集成
refit=True逻辑，最终模型不是在最优参数+全量训练数据上 fit 的 - 不支持
error_score='raise'等容错控制，某组参数失败就整个崩掉
GridSearchCV 和 RandomizedSearchCV 怎么选？
穷举所有组合用 GridSearchCV，适合参数空间小（比如 ≤ 5 维 × ≤ 4 取值）；参数多或分布不均匀（如 C 在 1e-3 到 1e3 对数采样）就用 RandomizedSearchCV，它支持 scipy.stats 分布对象，抽样更合理、耗时更可控。
立即学习“Python免费学习笔记（深入）”；
无序列表：
-
GridSearchCV(param_grid={'C': [0.1, 1, 10], 'kernel': ['rbf', 'linear']})—— 明确枚举 -
RandomizedSearchCV(param_distributions={'C': loguniform(1e-3, 1e3), 'gamma': loguniform(1e-4, 1e-1)}, n_iter=50)—— 指定分布与采样次数 - 两者都默认用
cv=5（StratifiedKFold 分层 K 折），分类任务下比普通 KFold 更稳
必须注意的三个易错配置项
scoring 决定优化目标，refit 控制是否用最优参数重训，n_jobs 影响速度但可能触发 pickle 问题——这三个不设对，调参就白跑。
无序列表：
-
scoring='f1'（二分类）或'f1_macro'（多类）比默认'accuracy'更合理，尤其样本不均衡时 -
refit=False时best_estimator_是None，不能直接predict；若需分析中间结果，可设return_train_score=True -
n_jobs=-1在 Windows 上可能报BrokenProcessPool，此时改用n_jobs=1或升级到 Python 3.8+ 并启用spawn启动方式
一个能直接跑通的最小示例
别照抄文档里的玩具代码。下面这段用了真实会遇到的结构：带 Pipeline 的标准化 + 模型，指定 scoring，且显式处理了 RandomizedSearchCV 的分布参数：
from sklearn.datasets import make_classification
from sklearn.pipeline import Pipeline
from sklearn.preprocessing import StandardScaler
from sklearn.svm import SVC
from sklearn.model_selection import RandomizedSearchCV
from scipy.stats import loguniform
<p>X, y = make_classification(n_samples=1000, n_features=20, n_informative=10, random_state=42)
pipe = Pipeline([('scaler', StandardScaler()), ('svc', SVC())])</p><p>param_dist = {
'svc<strong>C': loguniform(1e-2, 1e2),
'svc</strong>gamma': loguniform(1e-3, 1e0),
'svc__kernel': ['rbf', 'linear']
}</p><p>search = RandomizedSearchCV(
pipe, param_distributions=param_dist,
n_iter=30, cv=3, scoring='f1', n_jobs=1, random_state=42
)
search.fit(X, y)</p><p>print("Best params:", search.best<em>params</em>)
print("Best CV score:", search.best<em>score</em>)</p><h1>search.best<em>estimator</em> 已在全量数据上 refit，可直接 predict</h1><p>Pipeline 中的双下划线（svc__C）写法容易漏，参数名必须严格匹配 estimator 在 pipeline 中的名称；cv=3 为加快演示，实际建议 ≥5；n_jobs=1 是为绕过 Windows 常见异常——这些细节不踩一遍很难记住。
