假设你是一位主厨，想推出一道招牌菜——一锅完美的红烧肉。锅还是一口锅（模型算法不变），但“加多少勺糖”“炖多久”“火开多大”这些旋钮可以自由调节，它们就是传说中的超参数。盲猜？太靠运气；一个个试？做一次要半小时。最好的办法是请一个“自动试菜机器人”：它把每个旋钮的候选档位全部排列组合，一锅一锅地做出来，再请一桌评委轮流盲测打分，最后告诉你“糖 3 勺、小火炖 40 分钟”是最优配方。这个机器人，就是机器学习里的网格搜索 GridSearchCV。 这份实战指南就像一本试菜机器人操作手册：你会学到怎么设计候选菜单（参数网格）、怎么安排评委（交叉验证）、怎么让多个灶台同时开工（并行加速）、怎么读懂机器人打出的报告（结果提取），以及怎么把报告画成图一眼看穿问题（可视化分析）。读完你就能直接套用模板，给自己的模型调出一锅好菜。

岗位关联

调参是机器学习项目从“能跑”迈向“靠谱”的必经之路，掌握 GridSearchCV 就等于掌握了一套标准化的参数寻优流水线。无论做算法还是做应用，这套技能都能直接复用到真实项目里，也是面试中的高频考点。

目录
  1. 可视化演示
  2. 网格搜索原理：试菜机器人的穷举法
  3. 参数网格设计：给机器人一张好菜单
  4. 交叉验证配置：请一桌口味各异的评委
  5. 并行加速优化：让八个灶台同时开火
  6. 结果提取解读：读懂机器人的工作报告
  7. 可视化分析：把打分记录画成地图
  8. 实战最佳实践：先粗后细的调参心法
  9. AI 应用场景
  10. Python 演示
  11. 常见误区
  12. 面试题

可视化演示

动态演示手把手玩转GridSearc的核心机制，通过基础/核心/应用/扩展四种模式展示关键概念与交互流程。

本节配有交互动效（进入视口后自动加载，约 3KB）。

手把手玩转GridSearc：Grid GridSearchCV核心A 参数网格param_grid的 核心机制可视化 手把手玩转GridSearc整体架构与关键组件

网格搜索原理：试菜机器人的穷举法

如果配料表有三档盐、三档糖、三档酱油，试菜机器人会老老实实排出 27 种配方，一锅不少地全部试做。它绝不会偷懒只试“看起来好吃”的几种，因为机器没有直觉，它只相信数据。这种“把所有可能都试一遍”的笨办法，恰恰是网格搜索最核心的设计哲学。

在机器学习里，“菜”就是我们的模型（比如 SVM 或随机森林），“旋钮”就是超参数，比如 SVM 的惩罚系数 C 和核函数宽度 gamma。GridSearchCV 做的工作，就是把 param_grid 里所有候选值做笛卡尔积（即两两组合配对），生成全部组合，逐个训练并评估，绝不让任何一组参数组合漏网。

每种组合的评估不是随便跑一次就下结论，而是配合交叉验证算出稳定分数，最终选出分数最高的一组。这个穷举过程听起来笨，却保证了只要候选值覆盖到位，就一定能找到网格内的最优解。代价也很明显：组合数可能爆炸，这是网格搜索最需要警惕的甜蜜负担。

记住这个画面：试菜机器人不聪明，但它不会漏掉任何一种配方。网格搜索的第一课，就是用穷举换安心——代价是你要为“全面”支付计算账单。

N=n1×n2×⋯×nk\displaystyle N = n_1 \times n_2 \times \cdots \times n_k
公式讲的是“总共有多少道菜要做”：把每个旋钮的档位数相乘，就是需要训练的模型总数。
  1. 候选个数$n_i$ 表示第 $i$ 个超参数准备了几个候选档位，比如 C 设了 3 档，则 $n_1=3$。
    n1,n2,…,nkn_1, n_2, \dots, n_k
  2. 笛卡尔连乘$\times \cdots \times$ 把所有超参数的候选数依次相乘，这就是网格搜索的“组合生成规则”。
    n1×n2×⋯×nkn_1 \times n_2 \times \cdots \times n_k
  3. 组合总数$N$ 就是要逐个训练的模型个数，例如 3 个参数各设 3 档，$N=27$。
    N=∏i=1kniN = \prod_{i=1}^{k} n_i

参数网格设计：给机器人一张好菜单

菜单怎么设计，直接决定菜好不好吃。全写“盐适量”“糖少许”，机器听不懂；你得给出具体档位：糖 1 勺、2 勺、3 勺。网格搜索也是一样，它的“菜单”叫 param_grid，设计得好坏直接决定搜索的上限——如果最优值根本不在菜单里，再勤奋的机器人也找不到。

在 scikit-learn 里，param_grid 就是一个 Python 字典：键是超参数的名称，值是该超参数的候选值列表。比如给 SVM 调参，可以写 {'C': [0.1, 1, 10], 'gamma': [0.01, 0.1, 1]}。注意键名必须和模型构造函数的参数名一字不差，否则会直接报错。

连续数值型的超参数必须离散化，而且通常按等比数列（0.1 → 1 → 10，每次乘 10）来覆盖数量级，而不是等差数列（0.1 → 0.55 → 1.0）。原因是很多超参数对“数量级”敏感，比如 C 从 1 到 10 和从 0.1 到 1，带来的效果变化往往同样显著。范围太小会错过最优，太大则白白浪费计算资源。

菜单设计就是给机器人圈定活动范围——范围太小可能找不到好吃的，太大则要付出更多试做成本。设计参数网格的本质，是在“搜索范围”和“计算预算”之间找平衡。

param_grid={ C:[0.1, 1, 10],    γ:[0.01, 0.1, 1] }\displaystyle \text{param\_grid} = \{\,C: [0.1,\ 1,\ 10],\;\;\gamma: [0.01,\ 0.1,\ 1]\,\}
这就是给试菜机器人下的“菜单”：两道可调项，每道各三档，机器会自动组合出 3×3=9 种配方。
  1. 字典键名$C$ 和 $\gamma$ 是模型构造函数里的参数名，拼错任何一个，网格搜索都会直接报错。
    键:参数名必须精确匹配\text{键}: \text{参数名必须精确匹配}
  2. 候选值列表$[0.1,\,1,\,10]$ 是 C 的三个档位，每个档位都会和其他参数的所有档位逐一组合。
    C:[0.1, 1, 10]C: [0.1,\ 1,\ 10]
  3. 量级覆盖数字按 10 倍跨越，保证在数量级尺度上均匀采样，避免漏掉“最优值在一个截然不同的量级”的情况。
    {0.1,1,10}×{0.01,0.1,1}\{0.1,1,10\} \times \{0.01,0.1,1\}

交叉验证配置：请一桌口味各异的评委

一道菜合不合格，不能只听一个评委的意见——他可能偏爱甜口，把咸鲜的菜全打低分。正确的做法是请 5 位口味各异的评委，每人独立打分再取平均，这样评价才稳。交叉验证就是这桌评委。

在 GridSearchCV 里，cv=5 表示把训练数据切成 5 份，每次拿其中 4 份训练模型、1 份验证，轮换 5 次，最后把 5 次得分平均。每一组超参数组合都要过一遍这桌评委，得到它的交叉验证平均分。这个分数就是机器人判断“哪道菜更好”的依据。

分类任务默认使用分层 K 折：切分时保证每一折里各类别的比例和整体数据一致，避免某折恰好全是某个类别导致分数剧烈波动。cv 折数越大，每折训练数据越多、评估越稳，但训练次数也随之增加。折数太小则评估噪声大，容易选出“运气好”而非“真好吃”的配方。

一桌评委的平均分，比任何一个冒进的个人意见都可靠。交叉验证的核心价值，就是让模型选择不依赖某一次偶然的数据划分——这是网格搜索稳定性的地基。

scoreCV=1K∑k=1Kscorek\displaystyle \text{score}_{\text{CV}} = \frac{1}{K}\sum_{k=1}^{K} \text{score}_k
一桌评委的最终打分 = 每位评委打分的平均值。K 位评委轮流转，谁都不能单独决定结果。
  1. 每折得分$\text{score}_k$ 是第 $k$ 折验证集上的模型得分，相当于第 $k$ 位评委的打分。
    scorek,k=1,2,…,K\text{score}_k,\quad k = 1,2,\dots,K
  2. 求和$\sum_{k=1}^{K}$ 把 K 位评委的分数全部加起来，一票都不能少。
    ∑k=1Kscorek\sum_{k=1}^{K} \text{score}_k
  3. 取平均$\frac{1}{K}$ 把总分除以 K，得到这组参数的平均分，也就是它在排行榜上的名次依据。
    1K∑k=1Kscorek\frac{1}{K}\sum_{k=1}^{K} \text{score}_k

并行加速优化：让八个灶台同时开火

试菜机器人一次只用一个灶台，27 道菜要炖一整天；如果后厨有 8 个灶台同时开火，8 锅一起炖，时间直接砍掉一大半。网格搜索的每一种参数组合，训练过程彼此完全独立，天然适合并行——这就是 n_jobs 参数的用武之地。

n_jobs=-1 表示用满所有 CPU 核心，让每组参数组合分头训练。机器上有 8 个核心，理论上相当于请了 8 个试菜机器人同时工作。相比手动调参一个参数一个参数试，并行网格搜索能把几天的工作压缩到几小时。

但并行不是免费的午餐：每个工作进程要复制一份数据、启动开销、最后汇总结果，这些通信成本真实存在。如果参数组合很少、单次训练又极快，开并行可能比串行还慢；反过来，数据巨大而组合极多时，多进程复制数据还可能撑爆内存。这就是所谓的“加速比权衡”。

灶台越多越快，但后厨的调度成本也在涨。实战中优先试 n_jobs=-1，如果内存吃紧或数据巨大再降档——让机器人团队既快又不撑爆厨房。

S=1(1−p)+pn\displaystyle S = \frac{1}{(1-p) + \dfrac{p}{n}}
阿姆达尔定律：加速比永远受“必须串行的部分”限制。即使并行部分占 99%，加速也有天花板。
  1. 串行部分$1-p$ 是总工作量中必须串行执行的占比，比如数据加载和结果汇总，这部分无法靠加核提速。
    1−p1-p
  2. 并行部分分母$\frac{p}{n}$ 表示可并行的部分被 n 个核分摊后的耗时，核越多，这一项越小。
    pn\frac{p}{n}
  3. 加速比$S$ 是理论加速倍数，$n$ 趋于无穷时 $S$ 收敛于 $\frac{1}{1-p}$，这就是并行的极限。
    S=1(1−p)+pnS = \frac{1}{(1-p) + \frac{p}{n}}

结果提取解读：读懂机器人的工作报告

试菜机器人试完所有菜，会交一份完整报告：冠军菜是什么配方、评委平均分多少、每道菜的详细打分记录。读懂这份报告，是调参实战的核心技能。

搜索完成后，最常用的两个属性是 best_params_ 和 best_score_。best_params_ 给出最优超参数组合，比如 {'C': 10, 'gamma': 0.1}，这就是你要复用的“冠军配方”；best_score_ 是这组参数在交叉验证中的平均分，相当于评委们给冠军菜打出的平均分。

更完整的信息藏在 cv_results_ 里。这是一张大表，包含每组参数的各折得分、平均分、标准差、排名等。它不仅能告诉你冠军是谁，还能告诉你“第二名差在哪”“哪个参数改动对分数几乎没影响”——这些信息对下一轮搜索的方向至关重要。

报告不是只给冠军，还给完整的排行榜。学会读 cv_results_，你就能从“这道菜为什么第二”里挖出下一轮调参的线索——这是高手和新手的分水岭。

θ∗=arg⁡max⁡θ∈ΘscoreCV(θ)\displaystyle \theta^* = \arg\max_{\theta \in \Theta} \text{score}_{\text{CV}}(\theta)
机器人的选菜逻辑：在所有配方组成的集合 Θ 里，找出交叉验证得分最高的那一组 θ*。
  1. 参数空间$\Theta$ 是所有超参数组合构成的集合，也就是网格里全部 27 道候选菜。
    Θ:所有候选组合\Theta: \text{所有候选组合}
  2. 组合打分$\text{score}_{\text{CV}}(\theta)$ 是某一组参数 $\theta$ 经过 K 折交叉验证后的平均分。
    scoreCV(θ)\text{score}_{\text{CV}}(\theta)
  3. 取最优$\arg\max$ 表示“找到使得分最大的那个输入”，结果 $\theta^*$ 就是 best_params_。
    θ∗=arg⁡max⁡θ∈ΘscoreCV(θ)\theta^* = \arg\max_{\theta \in \Theta} \text{score}_{\text{CV}}(\theta)

可视化分析：把打分记录画成地图

一桌菜全部试完后，光看密密麻麻的数字很难发现规律。把菜按“糖量 × 火候”排成方阵，格子颜色深浅代表得分，一眼就能看出哪个区域好吃——这就是热力图。人脑对图形的敏感度远高于数字表格。

scikit-learn 没有自带 GridSearchCV 的画图函数，但 cv_results_ 提供了全部数据，用 matplotlib 几行代码就能画。最常用的两种图：二维热力图看两个参数的联合作用，一维折线图看某个参数单独变化时得分的平均趋势。

热力图能揭示参数交互：比如“大火必须配短时”，单独看火候没规律，联合看却有明显的最优带状区域。折线图则帮助判断参数是否饱和——曲线平坦说明该参数不敏感，可以固定下来、减少后续搜索的维度；曲线陡峭则说明该参数是“命门”，值得加密取值。

可视化就是把机器人的打分记录翻译成肉眼可读的地图。找到“最佳区域”之后，下一轮搜索就能把网格缩到这片区域——越调越准，越调越省。

sˉ(p)=1∣Sp∣∑θ∈Sps(θ)\displaystyle \bar{s}(p) = \frac{1}{|S_p|}\sum_{\theta \in S_p} s(\theta)
一维趋势线的画法：把“某一参数取固定值”的所有组合得分取平均，就是这个值对应的趋势点。
  1. 条件子集$S_p$ 是参数空间中固定某个超参数取值为 $p$ 的那一组组合，比如所有 gamma=0.1 的菜。
    Sp⊂ΘS_p \subset \Theta
  2. 局部求和$\sum_{\theta \in S_p} s(\theta)$ 把这个子集里所有组合的得分相加。
    ∑θ∈Sps(θ)\sum_{\theta \in S_p} s(\theta)
  3. 条件平均除以子集大小 $|S_p|$，得到该取值下的平均分，用于画趋势线。
    sˉ(p)=1∣Sp∣∑θ∈Sps(θ)\bar{s}(p) = \frac{1}{|S_p|}\sum_{\theta \in S_p} s(\theta)

实战最佳实践：先粗后细的调参心法

一上来就摆满一整面墙的菜单，试菜机器人要跑三天三夜。聪明的做法是分轮次：第一轮用大跨度的粗网格快速锁定有希望的区间，第二轮在冠军附近加密候选值，第三轮再精修。这就是“先粗后细”策略。

当超参数数量超过 5 个、组合数爆炸时，网格搜索不再划算，随机搜索 RandomizedSearchCV 是更好的选择——它从分布中随机采样固定次数的组合，用更少的试验覆盖更宽的取值空间。记住一个经验法则：参数少用网格，参数多用随机，预算紧用贝叶斯优化。

还有三个落地要点：第一，搜索前务必只用训练集 fit，测试集全程隔离，防止数据泄漏；第二，用 scoring 参数指定业务关心的指标（如 f1、roc_auc），而不是默认的准确率；第三，找到最优参数后，用它在完整训练集上重新训练最终模型，让它“吃得更饱”。

调参不是赌博，而是一轮轮“概略瞄准—精细射击”的迭代。把先粗后细和随机搜索装进工具箱，你的试菜机器人就能在有限预算内端出一桌好菜。

Θ1⊃Θ2⊃⋯⊃Θt\displaystyle \Theta_1 \supset \Theta_2 \supset \cdots \supset \Theta_t
先粗后细的数学表达：每一轮的参数空间都在上一轮的基础上收缩，逐步逼近最优区域。
  1. 初始粗网格$\Theta_1$ 是第一轮的大范围稀疏网格，跨度大、点数少，目的是快速定位“好吃的大概区域”。
    Θ1:大跨度粗网格\Theta_1: \text{大跨度粗网格}
  2. 逐轮收缩$\Theta_{i+1}$ 在前一轮最优区附近加密取值，范围越来越小、密度越来越高。
    Θ1⊃Θ2⊃⋯\Theta_1 \supset \Theta_2 \supset \cdots
  3. 最终收敛经过 $t$ 轮迭代后，得到一个既精又省的候选空间，用最少的预算找到冠军配方。
    Θt:精细小网格\Theta_t: \text{精细小网格}

AI 应用场景

信用评分模型的超参数调优

阶段：模型选择与超参数优化

解决的问题：银行用梯度提升树评估客户违约概率，需要同时调整树深度、学习率、最小子节点数等超参数。手动调参靠经验试错，耗时且容易错过最优组合。GridSearchCV 在训练集上穷举参数组合并配合 5 折交叉验证，选出稳定且泛化好的配置，就像试菜机器人批量试做、评委团轮番打分。

具体案例：某风控团队用 30 万条历史样本，把 n_estimators、max_depth、min_child_weight 各设 5 档，共 125 组组合，开 n_jobs=-1 并行跑完后，模型 AUC 从 0.82 提升到 0.85，最优参数自动落盘并用于上线模型。

数据竞赛中的快速参数摸底

阶段：模型优化

解决的问题：Kaggle 等数据竞赛中，SVM 的 C、gamma 或 LightGBM 的各类超参数直接影响精度。选手需要在不能碰测试集的前提下，快速摸清参数空间的“好吃区域”。

具体案例：参赛者先用粗网格锁定 C 和 gamma 的大致范围，配合分层 K 折避免类别不平衡带来的假分数，再用细网格精修，最终将最优参数训练全量数据，稳定进入榜单前列。

回归模型的基线快速建立

阶段：基线模型建立

解决的问题：接到新业务时，团队通常先用随机森林或 GBDT 跑一个可靠的基线分数。若参数靠拍脑袋，基线会失真，后续特征工程的效果也无法公正对比。

具体案例：房价预测项目中，用 param_grid={'max_depth':[3,5,7],'n_estimators':[50,100,200]} 做网格搜索，10 分钟内拿到基线 RMSE，并借助热力图发现 max_depth=5 附近是最优区，为后续特征筛选提供了明确方向。

Python 演示

python45 行
# GridSearchCV 实战: 对 SVM 做超参数调优import numpy as npfrom sklearn.datasets import load_irisfrom sklearn.model_selection import train_test_split, GridSearchCVfrom sklearn.svm import SVC # 1. 加载数据并划分训练集与测试集X, y = load_iris(return_X_y=True)X_train, X_test, y_train, y_test = train_test_split(    X, y, test_size=0.2, random_state=42, stratify=y) # 2. 设计参数网格: 两个超参数的候选档位param_grid = {    'C': [0.1, 1, 10],    'gamma': [0.01, 0.1, 1],} # 3. 构建 GridSearchCV: 5 折交叉验证 + 全核并行grid_search = GridSearchCV(    estimator=SVC(kernel='rbf'),    param_grid=param_grid,    cv=5,    scoring='accuracy',    n_jobs=-1,    verbose=1) # 4. 在训练集上搜索 (注意: 测试集全程不参与)grid_search.fit(X_train, y_train) # 5. 提取最优参数与分数print('最优参数:', grid_search.best_params_)print('交叉验证最优分数: {:.4f}'.format(grid_search.best_score_))print('测试集分数: {:.4f}'.format(grid_search.score(X_test, y_test))) # 6. 查看全部组合的得分排名results = grid_search.cv_results_for rank, mean, std, params in zip(    results['rank_test_score'],    results['mean_test_score'],    results['std_test_score'],    results['params']):    print('rank={} mean={:.4f} std={:.4f} {}'.format(rank, mean, std, params))
目的：完整演示 GridSearchCV 调参全流程——设计参数网格、配置交叉验证、并行搜索、提取最优参数、解读排行榜。
  1. param_grid = {给试菜机器人下菜单：C 和 gamma 各 3 档，共 9 种组合
  2. GridSearchCV(请机器人开工，指定模型、网格、折数和评分标准
  3. cv=5安排 5 位评委，每组参数都要经过 5 轮交叉验证打分
  4. n_jobs=-1开满所有 CPU 灶台，9 组参数同时开火训练
  5. grid_search.fit(X_train, y_train)只在训练集上搜索，测试集全程隔离防泄漏
  6. grid_search.best_params_取出冠军配方，比如 {'C': 10, 'gamma': 0.1}
  7. results['rank_test_score']读取完整排行榜，分析每组参数的名次和稳定性

常见误区

误区“GridSearchCV 返回的 best_score_ 是 98%，那模型上线后肯定也有 98%。”

正解best_score_ 是交叉验证的平均分，相当于“评委在试吃环节的打分”。评委口味再专业，也不能代表所有顾客，真实泛化精度必须用独立测试集或线上 A/B 评估。交叉验证分数通常偏高，因为它和训练数据同源，存在天然的乐观偏差。

为何常见：交叉验证看起来“有验证过程”，新手很容易误以为它等价于真实世界的泛化误差，忽略了数据分布偏移的影响。

误区“数据越多越好，我直接把全部数据丢给 GridSearchCV，搜完再用最优参数重新训练。”

正解在全量数据上搜索，测试集的信息会通过“选参数”这个过程被偷看，造成数据泄漏，测试分数虚高。正确做法是先划分训练/测试集，只在训练集上做 GridSearchCV，测试集只在最终评估时碰一次。

为何常见：初学者担心训练数据太少，又没意识到“超参数选择”本身也是一种学习过程，同样会记住数据特征。

误区“每个参数多放几个候选值，搜索更精细，肯定能找到更好的参数。”

正解候选值过多会让组合数指数爆炸，训练时间暴涨而收益递减。更好的做法是先粗后细：第一轮稀疏覆盖锁定区域，第二轮在冠军附近加密。参数超过 5 个时网格本身就该让位给随机搜索。

为何常见：只盯着“可能更优”这个好处，没算清笛卡尔积的增长速度和计算成本，低估了时间账单。

误区“n_jobs=-1 把所有核心都用上，肯定最快，任何时候都该这么设。”

正解并行有进程创建、数据拷贝、结果收集的通信开销。参数组合少或单次训练极快时，并行开销可能超过收益；组合多而数据巨大时，多进程复制数据还可能撑爆内存。建议先在小规模实验上对比串行与并行时间。

为何常见：直觉上“核多就快”，忽略了阿姆达尔定律里串行部分和通信开销的制约。

误区“不管什么模型、多少参数，调参就上 GridSearchCV，准没错。”

正解网格搜索只适合参数少、组合数可控的场景。参数维度高时，随机搜索用更少试验覆盖更宽取值；预算充足时贝叶斯优化收敛更快。选工具要看组合规模，而不是盲目迷信某个 API。

为何常见：教程里 GridSearchCV 出现频率最高，容易形成“万能工具”的错觉，忽略了不同搜索策略的适用边界。

面试题

Q1. GridSearchCV 中 param_grid 的作用是什么？

单选题 · easy

  • A.定义模型训练时的学习率
  • B.指定超参数的候选值组合← 正确答案
  • C.设置交叉验证的折数
  • D.控制训练过程的日志输出

答案：B。param_grid 就是“菜单”，列出每个超参数的候选档位，GridSearchCV 对其做笛卡尔积生成全部组合。学习率是优化器参数不是 GridSearchCV 的；折数由 cv 控制；日志输出由 verbose 控制。

Q2. 默认情况下，GridSearchCV 评判每组参数好坏的标准是什么？

单选题 · easy

  • A.测试集上的准确率
  • B.训练集上的损失值
  • C.交叉验证的平均得分← 正确答案
  • D.模型参数量的大小

答案：C。GridSearchCV 对每组参数在训练集内部做 K 折交叉验证，用平均得分（默认准确率，可用 scoring 参数修改）排序。它全程不接触独立测试集，这正是防泄漏的关键设计。

Q3. 某网格有 3 个超参数，候选数分别为 4、5、6，共需训练多少个模型？

单选题 · easy

  • A.15
  • B.30
  • C.120← 正确答案
  • D.720

答案：C。这是笛卡尔积问题，4×5×6=120。网格搜索的“穷举”本质就是所有参数档位的组合配对，组合数随参数数量指数级增长，这也是“先粗后细”策略存在的原因。

Q4. GridSearchCV 中 n_jobs=-1 的含义是什么？

单选题 · mid

  • A.不使用任何并行能力
  • B.使用全部可用的 CPU 核心← 正确答案
  • C.每个任务使用一个核心
  • D.自动降级为串行模式

答案：B。n_jobs=-1 表示用满本机所有 CPU 核心并行训练各组参数，相当于让多个试菜机器人同时开火。但并行有通信开销，组合少数据小时未必比串行快。

Q5. 搜索完成后，哪个属性保存了最优超参数组合？

单选题 · mid

  • A.获取完整的交叉验证结果表
  • B.返回最优的超参数组合字典← 正确答案
  • C.得到最优参数的完整模型
  • D.查看模型使用的评分函数

答案：B。best_params_ 返回冠军配方字典，如 {'C': 10, 'gamma': 0.1}；cv_results_ 是完整打分表；best_estimator_ 是用最优参数训练好的模型；scorer_ 是评分函数对象。

Q6. 为什么网格搜索前要先把数据划分成训练集和测试集？

单选题 · mid

  • A.为了显著加快训练速度
  • B.为了减少内存资源占用
  • C.防止测试集信息泄漏进参数← 正确答案
  • D.为了增加交叉验证的折数

答案：C。如果在全量数据上做 GridSearchCV，测试集的特征会通过“选哪组参数”这个过程被模型偷看，导致最终测试分数虚高。测试集必须全程隔离，只在最终评估时使用一次。

Q7. 参数候选值设为 [0.1, 1, 10] 和 [0.01, 0.1, 1]，这是什么采样策略？

单选题 · mid

  • A.线性等距均匀采样
  • B.等比数量级覆盖策略← 正确答案
  • C.随机均匀采样方式
  • D.正态分布随机采样

答案：B。每个候选值相差 10 倍，是对数尺度上的等比覆盖。很多超参数（如 C、gamma、学习率）对数量级敏感，等比采样比等差采样能更均匀地覆盖搜索空间。

Q8. 关于 GridSearchCV 的说法，正确的有哪些？

多选题 · hard

  • A.每组参数组合使用相同 K 折交叉验证← 正确答案
  • B.折数 cv 越大评估越稳但训练越慢← 正确答案
  • C.best_score_ 可直接当作线上精度
  • D.可用 scoring 参数自定义评估指标← 正确答案

答案：ABD。A 对，每组参数都走同一套 K 折流程，分数才可比；B 对，折数多则每折数据多、方差小，但训练次数多；C 错，best_score_ 只是交叉验证均值，不是线上泛化精度；D 对，scoring 可换 f1、roc_auc 等指标。

Q9. 哪些场景不适合直接用网格搜索？

多选题 · hard

  • A.超参数数量多达八个以上← 正确答案
  • B.每个参数候选值多组合爆炸← 正确答案
  • C.单次模型训练需要数个小时← 正确答案
  • D.只有两个参数且各设三档

答案：ABC。组合数随参数数量指数爆炸，单次训练数小时让穷举代价失控，这两种场景应改用随机搜索或贝叶斯优化。两个参数各 3 档只有 9 种组合，正是网格搜索的舒适区。

Q10. 如何利用 cv_results_ 做进一步分析？

多选题 · hard

  • A.查看每组参数的各折得分与均值← 正确答案
  • B.用均值和方差判断参数稳定性← 正确答案
  • C.画热力图观察参数交互效应← 正确答案
  • D.直接修改测试集标签提升分数

答案：ABC。cv_results_ 包含 mean_test_score、std_test_score、params 等字段，既能看每组的均值与稳定性（std 小说明稳健），也能绘制热力图和趋势线发现参数交互。修改测试集标签是作弊行为，与数据分析无关。