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。
非常感谢你！似乎有效，因为没有例外。新问题是如何从中检索最佳参数和最大化的函数值。
'GridSearchCV'对象没有属性'best_estimator_'，我不知道，fit（??）应该是什么
确实，您需要先调用fit（）方法，然后才能检索best_estimator_属性。拟合方法是触发计算的一种方法。如果您查看文档，fit（）方法将“类似数组的形状（n_samples，n_features）”作为输入X。这是您将用于评估功能/训练算法的数据。如果您有目标值（监督学习），则可以将它们作为y传递。如果您不这样做，则只需传递y = None，GridSearchCV将寻求使得分最大化（即得分函数的输出）