本文为 Python 60 Days Challenge 课程学习整理，原作者与原 Notebook 链接见「课程资料」。代码按章节顺序运行；语法示意和故意报错的反例已单独标注。
数据准备： 将课程仓库中的 data.csv／data.xlsx 放在 Notebook 的当前工作目录，路径已移除原作者电脑的盘符。读取 Excel 需要 openpyxl。各节额外依赖按文中安装说明准备。
文中保留的截图、性能表和数值属于原讲义的历史示例，不是本次修订后的重新训练结果。实际输出受数据、版本、随机种子和训练预算影响。
本次校订： 本节使用包含缺失值填补与类别编码的 Pipeline 做交叉验证。搜索参数相应使用 model__ 前缀；交叉验证用于选参，独立测试集不参与选择方法或参数。
打卡任务
- 阅读本节讲义或 Notebook
- 跑通示例代码
- 整理 3 个关键点
- 完成当日打卡输出
课程资料
- 训练营讲义：https://docs.qq.com/doc/DTFhndExSRGNHS3B6?nlc=1
- GitHub 仓库：https://github.com/cheer932041235/Python60DaysChallenge
- 本日 Notebook：Day11 常见的调参方式.ipynb
学习内容
📋 目录
-
- 5.1 基线模型（默认参数）
- 5.2 网格搜索优化
- 5.3 贝叶斯优化（skopt）
- 5.4 贝叶斯优化（bayesian-optimization）
1. 课程概述
核心知识点回顾
模型组成 = 算法 + 实例化设置的外参（超参数）+ 训练得到的内参
调参原则：只要调参就需要考2次
- 传统方式：划分训练集、验证集、测试集
- 现代方式：很多调参函数自带交叉验证（可省去验证集）
学习目标
本节课将学习三种主流调参方法：
- ✅ 网格搜索（GridSearchCV） ：穷举式搜索
- ✅ 随机搜索（RandomizedSearchCV） ：随机采样---只是一种思想
- ✅ 贝叶斯优化（BayesSearchCV） ：智能优化
2. 数据预处理
运行之前学习过的数据预处理代码，包括：
- 导入必要的库
- 读取数据
- 特征工程（标签编码、独热编码）
- 缺失值处理
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
import seaborn as sns
from sklearn.base import clone
from sklearn.compose import ColumnTransformer, make_column_selector
from sklearn.impute import SimpleImputer
from sklearn.pipeline import Pipeline
from sklearn.preprocessing import OneHotEncoder
from sklearn.model_selection import train_test_split, cross_val_score, cross_validate
from sklearn.ensemble import RandomForestClassifier
from sklearn.metrics import classification_report, confusion_matrix, precision_score, recall_score
data = pd.read_csv('data.csv').drop(columns=['Id'], errors='ignore')
# 标签不能作为特征或用填补器补造；这里只排除缺失标签的记录。
data = data.dropna(subset=['Credit Default'])
preprocessor = ColumnTransformer([
('numeric', SimpleImputer(strategy='median', keep_empty_features=True),
make_column_selector(dtype_include=np.number)),
('categorical', Pipeline([
('imputer', SimpleImputer(strategy='most_frequent', keep_empty_features=True)),
('onehot', OneHotEncoder(handle_unknown='ignore', sparse_output=False))]),
make_column_selector(dtype_exclude=np.number))
])
def make_classifier(model):
# 把填补和编码放进模型流水线，每个交叉验证折只在本折训练数据上拟合。
return Pipeline([('preprocess', clone(preprocessor)), ('model', model)])
3. 数据集划分
3.1 方案一：三分法（训练集 + 验证集 + 测试集）
当不使用交叉验证时，需要划分出验证集用于调参。
# 划分训练集、验证集和测试集，因为需要考2次
# 这里演示一下如何2次划分数据集，因为这个函数只能划分一次，所以需要调用两次才能划分出训练集、验证集和测试集。
from sklearn.model_selection import train_test_split
X = data.drop(['Credit Default'], axis=1) # 特征，axis=1表示按列删除
y = data['Credit Default'] # 标签
# 按照8:1:1划分训练集、验证集和测试集
X_train, X_temp, y_train, y_temp = train_test_split(X, y, test_size=0.2, random_state=42) # 80%训练集，20%临时集
X_val, X_test, y_val, y_test = train_test_split(X_temp, y_temp, test_size=0.5, random_state=42) # 50%验证集，50%测试集
# X_train, y_train (80%)
# X_val, y_val (10%)
# X_test, y_test (10%)
print("Data shapes:")
print("X_train:", X_train.shape)
print("y_train:", y_train.shape)
print("X_val:", X_val.shape)
print("y_val:", y_val.shape)
print("X_test:", X_test.shape)
print("y_test:", y_test.shape)
3.2 方案二：二分法（训练集 + 测试集）⭐ 推荐
由于调参函数大多自带交叉验证，实际使用中只需要划分训练集和测试集。
# 最开始也说了 很多调参函数自带交叉验证，甚至是必选的参数，你如果想要不交叉反而实现起来会麻烦很多
# 所以这里我们还是只划分一次数据集
from sklearn.model_selection import train_test_split
X = data.drop(['Credit Default'], axis=1) # 特征，axis=1表示按列删除
y = data['Credit Default'] # 标签
# 按照8:2划分训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42) # 80%训练集，20%测试集
3.3 导入评估工具
from sklearn.ensemble import RandomForestClassifier #随机森林分类器
from sklearn.metrics import accuracy_score, precision_score, recall_score, f1_score # 用于评估分类器性能的指标
from sklearn.metrics import classification_report, confusion_matrix #用于生成分类报告和混淆矩阵
import warnings #用于忽略警告信息
# 保留警告，便于发现弃用接口和数值问题。 # 忽略所有警告信息
4. 调参方法介绍
4.1 三种主流调参方法对比
| 方法 | 原理 | 优点 | 缺点 | 适用场景 |
|---|---|---|---|---|
| 网格搜索 | 穷举所有参数组合 | 找到给定网格内的最佳 CV 组合 | 计算量大，维度灾难 | 参数空间小，计算资源充足 |
| 随机搜索 | 随机采样参数组合 | 效率高于网格搜索 | 可能错过最优解 | 参数空间大，中等计算资源 |
| 贝叶斯优化 | 基于概率模型智能搜索 | 高效，收敛快 | 实现复杂 | 参数空间大，计算资源有限 |
4.2 基线模型（Baseline）
在调参前，先建立基线模型：
- 使用默认参数训练模型
- 记录性能指标作为对比基准
- 后续调参效果以此为参照
4.3 详细说明
1️⃣ 网格搜索 (GridSearchCV)
- 需要定义参数的固定列表（param_grid）
- 尝试所有可能的参数组合
- ⚠️ 计算成本高，参数多时组合呈指数级增长
2️⃣ 随机搜索 (RandomizedSearchCV)
- 定义参数的分布范围
- 随机采样指定次数（如 50-100 次）
- ✅ 对于给定计算预算，通常比网格搜索更有效
3️⃣ 贝叶斯优化 (BayesSearchCV)
- 定义参数的搜索空间
- 根据先验结果建立概率模型（高斯过程）
- 智能选择下一个最有潜力的参数组合
- ✅ 通常用更少迭代达到更好效果
4.4 选择建议
计算资源充足 → 网格搜索
计算资源有限 → 贝叶斯优化
介于中间 → 随机搜索
5. 实战：随机森林调参
使用三种方法对随机森林进行超参数优化，并对比效果。
5.1 基线模型（默认参数）
# --- 1. 默认参数的随机森林 ---
# 评估基准模型，这里确实不需要验证集
print("--- 1. 默认参数随机森林 (训练集 -> 测试集) ---")
import time # 这里介绍一个新的库，time库，主要用于时间相关的操作，因为调参需要很长时间，记录下会帮助后人知道大概的时长
start_time = time.time() # 记录开始时间
rf_model = make_classifier(RandomForestClassifier(random_state=42))
rf_model.fit(X_train, y_train) # 在训练集上训练
rf_pred = rf_model.predict(X_test) # 在测试集上预测
end_time = time.time() # 记录结束时间
print(f"训练与预测耗时: {end_time - start_time:.4f} 秒")
print("\n默认随机森林 在测试集上的分类报告：")
print(classification_report(y_test, rf_pred))
print("默认随机森林 在测试集上的混淆矩阵：")
print(confusion_matrix(y_test, rf_pred))
5.2 网格搜索优化
网格搜索是 scikit-learn 内置功能，无需额外安装。
网格搜索穷举指定网格，返回该网格内交叉验证得分最高的组合，不保证连续参数空间中的全局或局部最优。
# --- 2. 网格搜索优化随机森林 ---
print("\n--- 2. 网格搜索优化随机森林 (训练集 -> 测试集) ---")
from sklearn.model_selection import GridSearchCV
# 定义要搜索的参数网格
param_grid = {
'model__n_estimators': [50, 100, 200],
'model__max_depth': [None, 10, 20, 30],
'model__min_samples_split': [2, 5, 10],
'model__min_samples_leaf': [1, 2, 4]
}
# 创建网格搜索对象
grid_search = GridSearchCV(estimator=make_classifier(RandomForestClassifier(random_state=42)), # 随机森林分类器
param_grid=param_grid, # 参数网格
cv=5, # 5折交叉验证
n_jobs=-1, # 使用所有可用的CPU核心进行并行计算
scoring='accuracy') # 使用准确率作为评分标准
start_time = time.time()
# 在训练集上进行网格搜索
grid_search.fit(X_train, y_train) # 在训练集上训练，模型实例化和训练的方法都被封装在这个网格搜索对象里了
end_time = time.time()
print(f"网格搜索耗时: {end_time - start_time:.4f} 秒")
print("最佳参数: ", grid_search.best_params_) #best_params_属性返回最佳参数组合
# 使用最佳参数的模型进行预测
best_model = grid_search.best_estimator_ # 获取最佳模型
best_pred = best_model.predict(X_test) # 在测试集上进行预测
print("\n网格搜索优化后的随机森林 在测试集上的分类报告：")
print(classification_report(y_test, best_pred))
print("网格搜索优化后的随机森林 在测试集上的混淆矩阵：")
print(confusion_matrix(y_test, best_pred))
5.3 随机搜索优化
随机搜索在参数空间中随机采样，通常比网格搜索更高效。
随机搜索是常用的预算受限搜索方法，适合在较大的参数空间建立基线。
随机搜索与贝叶斯优化的优劣取决于预算、参数空间和目标函数；应在相同计算预算下比较。
# --- 2. 随机搜索优化随机森林 ---
print("\n--- 2. 随机搜索优化随机森林 (训练集 -> 测试集) ---")
from sklearn.model_selection import RandomizedSearchCV
from scipy.stats import randint
# 定义参数分布（使用分布而非固定列表）
param_distributions = {
'model__n_estimators': randint(50, 200), # 从50-200之间随机整数
'model__max_depth': [None, 10, 20, 30], # 也可以用固定列表
'model__min_samples_split': randint(2, 11), # 从2-10之间随机整数
'model__min_samples_leaf': randint(1, 5) # 从1-4之间随机整数
}
# 创建随机搜索对象
random_search = RandomizedSearchCV(
estimator=make_classifier(RandomForestClassifier(random_state=42)),
param_distributions=param_distributions,
n_iter=50, # 随机采样50次（可调整）
cv=5, # 5折交叉验证
n_jobs=-1, # 使用所有CPU核心
scoring='accuracy',
random_state=42 # 保证结果可复现
)
start_time = time.time()
# 在训练集上进行随机搜索
random_search.fit(X_train, y_train)
end_time = time.time()
print(f"随机搜索耗时: {end_time - start_time:.4f} 秒")
print("最佳参数: ", random_search.best_params_)
# 使用最佳参数的模型进行预测
best_model_random = random_search.best_estimator_
best_pred_random = best_model_random.predict(X_test)
print("\n随机搜索优化后的随机森林 在测试集上的分类报告：")
print(classification_report(y_test, best_pred_random))
print("随机搜索优化后的随机森林 在测试集上的混淆矩阵：")
print(confusion_matrix(y_test, best_pred_random))
5.4 贝叶斯优化（skopt）
使用 scikit-optimize 库的 BayesSearchCV，代码风格与网格搜索高度一致。
# pip install scikit-optimize -i https://pypi.tuna.tsinghua.edu.cn/simple
# --- 2. 贝叶斯优化随机森林 ---
print("\n--- 2. 贝叶斯优化随机森林 (训练集 -> 测试集) ---")
from skopt import BayesSearchCV
from skopt.space import Integer
from sklearn.ensemble import RandomForestClassifier
from sklearn.metrics import classification_report, confusion_matrix
import time
# 定义要搜索的参数空间
search_space = {
'model__n_estimators': Integer(50, 200),
'model__max_depth': Integer(10, 30),
'model__min_samples_split': Integer(2, 10),
'model__min_samples_leaf': Integer(1, 4)
}
# 创建贝叶斯优化搜索对象
bayes_search = BayesSearchCV(
estimator=make_classifier(RandomForestClassifier(random_state=42)),
search_spaces=search_space,
n_iter=32, # 迭代次数，可根据需要调整
cv=5, # 5折交叉验证，这个参数是必须的，不能设置为1，否则就是在训练集上做预测了
n_jobs=-1,
scoring='accuracy'
)
start_time = time.time()
# 在训练集上进行贝叶斯优化搜索
bayes_search.fit(X_train, y_train)
end_time = time.time()
print(f"贝叶斯优化耗时: {end_time - start_time:.4f} 秒")
print("最佳参数: ", bayes_search.best_params_)
# 使用最佳参数的模型进行预测
best_model = bayes_search.best_estimator_
best_pred = best_model.predict(X_test)
print("\n贝叶斯优化后的随机森林 在测试集上的分类报告：")
print(classification_report(y_test, best_pred))
print("贝叶斯优化后的随机森林 在测试集上的混淆矩阵：")
print(confusion_matrix(y_test, best_pred))
5.5 贝叶斯优化（bayesian-optimization）⭐ 进阶
方法特点
使用 bayesian-optimization 库实现，相比 skopt 有以下优势：
✅ 更灵活的自定义
- 可以自定义目标函数
- 可以选择是否使用交叉验证
- 评估指标可自由修改
✅ 更好的可视化
-
verbose参数可输出详细的迭代过程 - 实时查看优化进度
✅ 更精细的控制
-
init_points：初始随机采样点数 -
n_iter：优化迭代次数
💡 提示：此方法仅供参考和知识拓展，不做强制要求。
安装依赖
# pip install bayesian-optimization -i https://mirrors.aliyun.com/pypi/simple/
# --- 2. 贝叶斯优化随机森林 ---
print("\n--- 2. 贝叶斯优化随机森林 (训练集 -> 测试集) ---")
from bayes_opt import BayesianOptimization
from sklearn.ensemble import RandomForestClassifier
from sklearn.model_selection import cross_val_score
from sklearn.metrics import classification_report, confusion_matrix
import time
import numpy as np
# 假设 X_train, y_train, X_test, y_test 已经定义好
# 定义目标函数，这里使用交叉验证来评估模型性能
def rf_eval(n_estimators, max_depth, min_samples_split, min_samples_leaf):
n_estimators = int(n_estimators)
max_depth = int(max_depth)
min_samples_split = int(min_samples_split)
min_samples_leaf = int(min_samples_leaf)
model = make_classifier(RandomForestClassifier(
n_estimators=n_estimators,
max_depth=max_depth,
min_samples_split=min_samples_split,
min_samples_leaf=min_samples_leaf,
random_state=42
))
scores = cross_val_score(model, X_train, y_train, cv=5, scoring='accuracy')
return np.mean(scores)
# 定义要搜索的参数空间
pbounds_rf = {
'n_estimators': (50, 200),
'max_depth': (10, 30),
'min_samples_split': (2, 10),
'min_samples_leaf': (1, 4)
}
# 创建贝叶斯优化对象，设置 verbose=2 显示详细迭代信息
optimizer_rf = BayesianOptimization(
f=rf_eval, # 目标函数
pbounds=pbounds_rf, # 参数空间
random_state=42, # 随机种子
verbose=2 # 显示详细迭代信息
)
start_time = time.time()
# 开始贝叶斯优化
optimizer_rf.maximize(
init_points=5, # 初始随机采样点数
n_iter=32 # 迭代次数
)
end_time = time.time()
print(f"贝叶斯优化耗时: {end_time - start_time:.4f} 秒")
print("最佳参数: ", optimizer_rf.max['params'])
# 使用最佳参数的模型进行预测
best_params = optimizer_rf.max['params']
best_model = make_classifier(RandomForestClassifier(
n_estimators=int(best_params['n_estimators']),
max_depth=int(best_params['max_depth']),
min_samples_split=int(best_params['min_samples_split']),
min_samples_leaf=int(best_params['min_samples_leaf']),
random_state=42
))
best_model.fit(X_train, y_train)
best_pred = best_model.predict(X_test)
print("\n贝叶斯优化后的随机森林 在测试集上的分类报告：")
print(classification_report(y_test, best_pred))
print("贝叶斯优化后的随机森林 在测试集上的混淆矩阵：")
print(confusion_matrix(y_test, best_pred))
6. 总结与对比
6.1 性能对比表
原讲义记录的历史运行结果（预处理流程已修订，下表不是本次修订代码的复测结果）：
| 方法 | 准确率 | 精确率(类1) | 召回率(类1) | F1-Score(类1) | 耗时(秒) |
|---|---|---|---|---|---|
| 默认参数 | 0.77 | 0.79 | 0.30 | 0.43 | 0.83 |
| 随机搜索 | 0.77 | 0.83 ⭐ | 0.27 | 0.40 | 14.03 |
| 网格搜索 | 0.77 | 0.80 | 0.28 | 0.42 | 34.84 |
| 贝叶斯优化(skopt) | 0.77 | 0.81 | 0.26 | 0.40 | 33.51 |
| 贝叶斯优化(bayes-opt) | 0.76 | 0.81 | 0.26 | 0.40 | 126.02 |
注释：
- 精确率、召回率、F1-Score 均为正类(类1)的指标
- 类1 代表违约客户，这是我们重点关注的目标
- ⭐ 随机搜索精确率最高：0.83，说明它找到的参数在识别违约客户时最准确
6.2 最佳参数对比
| 方法 | n_estimators | max_depth | min_samples_split | min_samples_leaf |
|---|---|---|---|---|
| 默认参数 | 100 | None | 2 | 1 |
| 随机搜索 | 99 | 20 | 2 | 3 |
| 网格搜索 | 200 | 20 | 2 | 1 |
| 贝叶斯优化(skopt) | 118 | 17 | 8 | 2 |
| 贝叶斯优化(bayes-opt) | 115 | 20 | 4 | 3 |
-
场景1：快速原型，先用默认参数
场景2：小参数空间 → 网格搜索（穷举最优）
↓
场景3：大参数空间 + 中等算力 → 随机搜索（效率高）
↓
场景4：大参数空间 + 有限算力 → 贝叶斯优化(skopt)（智能搜索）
↓
场景5：需要可视化优化过程 → 贝叶斯优化(bayes-opt)（详细输出）
场景5：需要可视化优化过程 → 贝叶斯优化(bayes-opt)（详细输出）
6.3 关键要点
- 基线很重要：先建立默认参数的基线模型
- 交叉验证：调参函数通常自带 CV，无需单独划分验证集
- 时间成本：根据实际需求选择方法
- 参数空间：空间越大，贝叶斯优化和随机搜索优势越明显
- 类别不平衡：本案例中最大的问题不是参数，而是数据不平衡
原创
Day11 常见的调参方式
本文采用 CC BY-NC-SA 4.0 许可协议，转载请注明出处。
评论交流
欢迎留下你的想法