机器学习第二十讲：网格搜索 → 像尝试所有密码组合找最佳解锁方式

机器学习第二十讲：网格搜索 → 像尝试所有密码组合找最佳解锁方式

资料取自《零基础学机器学习》。
查看总目录：学习大纲

关于DeepSeek本地部署指南可以看下我之前写的文章：DeepSeek R1本地与线上满血版部署：超详细手把手指南

网格搜索是机器学习的参数探险家，系统遍历所有可能组合寻找最优配置[^8-3]。通过咖啡调参师案例详解：

一、核心原理（密码破解式探索）

假设咖啡机有3个调参旋钮：

flowchart LR
    温度 --> 70℃/80℃/90℃
    水量 --> 200ml/250ml/300ml
    时间 --> 2min/3min/4min

探索过程：

1. 生成3×3×3=27种组合 → 形成参数网格 [参考材料5]
2. 逐一尝试所有组合 → 选出浓度最佳配方
3. 最终发现：80℃+250ml+3min得分最高

类比说明：像试遍所有手机密码组合（000-999），必定能找出正确密码[^8-3]

二、技术流程（心脏病预测实战）

参数清单：

param_grid = {
    'n_estimators': [100, 300],  # 树的数量
    'max_depth': [None, 5, 10],  # 树的最大深度
    'min_samples_split': [2, 5]  # 节点分裂最小样本数
}

搜索过程：

graph TB
    总参数组合12种 --> 每组合10折验证 --> 120次训练验证循环 --> 最佳参数组合得分91%

代码实现：

from sklearn.model_selection import GridSearchCV
grid_search = GridSearchCV(estimator=model, param_grid=param_grid, cv=10)
grid_search.fit(X_train, y_train)
print("最佳参数:", grid_search.best_params_)  # 输出：{'max_depth':10, ...}

结果验证：测试集准确率从85%提升至91% [参考材料4]

三、进阶策略（智慧搜索技巧）

| 搜索方式 | 特点 | 适用场景 | [参考材料5] |
|--------------|----------------------------|-----------------------|
| 网格搜索 | 暴力遍历 → 确保不漏最优解 | 参数少且取值范围小 |
| 随机搜索 | 随机采样 → 效率更高 | 参数多范围大时优先使用 |
| 贝叶斯优化 | 智能预测 → 减少无效尝试 | 超大数据集高阶调参 |

案例对比：

• 传统手工调参：尝试10次 → 最高87%
• 网格搜索自动调参：54种参数组合 → 准确率91% [参考材料5]
• 耗时对比：人工1天 vs 网格搜索1.3分钟（GPU加速）[参考材料2]

四、注意事项（避免过度拟合陷阱）

1. 参数范围设定：根据经验缩小范围（如树深度不必超过20）[^5]
2. 交叉验证配合：需用K折验证防止训练集过拟合 [参考材料3]
3. 计算资源优化：并行计算（如10个CPU同时跑不同组合）[^2]

典型错误示范：

graph LR
    过宽范围 --> 上千次训练 --> 耗费3天时间 --> 准确率仅提升0.5%
    正确做法 --> 分析参数相关性 --> 缩小有效范围 --> 54组合达到最优

目录：总目录
上篇文章：机器学习第十九讲：混淆矩阵 → 诊断模型在医疗检查中的误诊情况
下篇文章：机器学习第二十一讲：正则化 → 给模型带定位手环防走极端路线

[^2][4][^5]《零基础学机器学习》第八章第四节参数调优
[^8-3]《零基础学机器学习》第八章第四节参数调优