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¹。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 --> A[70℃]
    温度 --> B[80℃]
    温度 --> C[90℃]
    水量 --> D[200ml]
    水量 --> E[250ml]
    水量 --> F[300ml]
    时间 --> G[2min]
    时间 --> H[3min]
    时间 --> I[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¹

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：
A["总参数组合12种"] --> B["每组合10折验证"] B --> C["120次训练验证循环"] C --> D["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）²
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）³

典型错误示范：

graph LR
    A[过宽范围] --> B[上千次训练]
    B --> C[耗费3天时间]
    C --> D[准确率仅提升0.5%]
    E[正确做法] --> F[分析参数相关性]
    F --> G[缩小有效范围]
    G --> H[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

---

³⁴²《零基础学机器学习》第八章第四节参数调优
¹《零基础学机器学习》第八章第四节参数调优

---

1. 8-3 ↩
2. 5 ↩
3. 2 ↩
4. 4 ↩