scikit learn - 如何使用GridSearchCV（python）最大化或最小化带有参数的函数？

根据文档，您有两种解决方案：

• 您可以将estimator = func传递给GridSearchCV，但是您还需要传递一个计分函数。评分功能将获取func的输出，并返回GridSearchCV将寻求优化的评分（浮动）。例：

def my_scoring_function(func_outputs):

  """
  process the outputs of func and return a score. 

  if func already reutrns the value you want to minimize, 
  my_scoring_function will be the identity function.

  score is the value to optimize
  """

  return score


cv = GridSearchCV(estimator=func, param_grid=my_param_grid, scoring=my_scoring_function)

• 更复杂，但更优雅：您可以将func重写为实现scikit-learn的estimator方法的对象（此处提供带有gid搜索示例的好教程）。这意味着基本上将遵循一组约定，这些约定将使您的函数的行为类似于scikit-learn的对象。GridSearchCV然后将知道如何处理它。不过，这可能对您的问题而言过于矫kill过正。

关于贝叶斯优化，如果您的问题满足以下条件，这将很有趣：

• 评估功能的成本非常高（就时间/资源而言），并且您负担不起网格搜索所需的多次调用。在您的情况下，您有720种参数组合可供探索，因此，如果一个评估的成本为10s，则必须将网格搜索运行7200s。
• 您想探索更广泛的参数空间，或者要在连续空间中搜索某些参数。通常，对于学习率来说可能很有趣。在这种情况下，您还可以使用随机搜索，也可以在scikit learning中实现。

有关贝叶斯优化的更多详细信息，建议您阅读这篇非常全面的文章。