GridSearchCV 简介：
常用参数解读：
estimator：所使用的分类器，如estimator=RandomForestClassifier(min_samples_split=100,min_samples_leaf=20,max_depth=8,max_features=‘sqrt‘,random_state=10), 并且传入除需要确定最佳的参数之外的其他参数。每一个分类器都需要一个scoring参数，或者score方法。
param_grid：值为字典或者列表，即需要最优化的参数的取值，param_grid =param_test1，param_test1 = {‘n_estimators‘:range(10,71,10)}。
scoring :准确度评价标准，默认None,这时需要使用score函数；或者如scoring=‘roc_auc‘，根据所选模型不同，评价准则不同。字符串（函数名），或是可调用对象，需要其函数签名形如：scorer(estimator, X, y)；如果是None，则使用estimator的误差估计函数。scoring参数选择如下：
参考地址：http://scikit-learn.org/stable/modules/model_evaluation.html
iid:默认True,为True时，默认为各个样本fold概率分布一致，误差估计为所有样本之和，而非各个fold的平均。
verbose：日志冗长度，int：冗长度，0：不输出训练过程，1：偶尔输出，>1：对每个子模型都输出。
pre_dispatch：指定总共分发的并行任务数。当n_jobs大于1时，数据将在每个运行点进行复制，这可能导致OOM，而设置pre_dispatch参数，则可以预先划分总共的job数量，使数据最多被复制pre_dispatch次。
常用方法：
grid.fit()：运行网格搜索
grid_scores_：给出不同参数情况下的评价结果
best_params_：描述了已取得最佳结果的参数的组合
best_score_：成员提供优化过程期间观察到的最好的评分
使用案例：
param_test1 = { ‘max_depth‘:list(range(3,10,1)) ,‘min_child_weight‘:list(range(1,6,2)) } gsearch1 = GridSearchCV( estimator = XGBClassifier( silent=1 ,#设置成1则没有运行信息输出，最好是设置为0.是否在运行升级时打印消息。 learning_rate= 0.1,# 如同学习率 # max_depth=4,# 构建树的深度，越大越容易过拟合 colsample_bytree=1, # 生成树时进行的列采样 reg_lambda=4, # 控制模型复杂度的权重值的L2正则化项参数，参数越大，模型越不容易过拟合。 objective= ‘binary:logistic‘, #多分类的问题 指定学习任务和相应的学习目标 n_estimators=70, # 树的个数 ), param_grid = param_test1, scoring=‘roc_auc‘, iid=False, cv=5) gsearch1.fit(X,y) gsearch1.grid_scores_, gsearch1.best_params_, gsearch1.best_score_ 原文：https://www.cnblogs.com/callyblog/p/9270888.html