Python XGBoost多类随机搜索超参数tunning

我正在为我的模型进行超参数调谐，我的代码如下：

para_tunning = {
        'learning_rate': [0.01,0.05,0.1],
        'min_child_weight': [1, 5, 10],
        'gamma': [0.5, 1, 1.5, 2, 5],
        'subsample': [0.6, 0.8, 1.0],
        'colsample_bytree': [0.6, 0.8, 1.0],
        'max_depth': [3, 4, 5, 6, 7, 8, 9, 10],
        "n_estimators": [100, 200, 300, 400, 500],
        "objective": "multi:softmax",
        "aplha":[0,2,4,6,8]
        }

clf_rndcv = RandomizedSearchCV(clf, 
                         param_distributions = para_tunning,
                         cv = 5,  
                         n_iter = 5,
                         scoring = 'accuracy', 
                         error_score = 0, 
                         verbose = 3, 
                         n_jobs = -1,
                         random_state = 42)
clf_rndcv.fit(X_train, y_train)

---

它显示，5个候选项中的每一个都有5次拟合，总共25次拟合，我想它只是从para_tunning dict中随机选取5次，然后做5次cv？如果我想测试所有参数，是否切换到gridsearchcv？有什么建议吗？我正在做一个有100个类的多类分类器，每个类500个样本：总共50000个。谢谢

是，如果要搜索所有超参数，必须使用

GridSearchCV

GridSearch

搜索所有可能的超参数组合（根据您的情况，它可能非常大）

---

仅供参考，XGBoost有自己的超参数调优

是，如果要搜索所有超参数，必须使用

GridSearchCV

GridSearch

搜索所有可能的超参数组合（根据您的情况，它可能非常大）

仅供参考，XGBoost有自己的超参数调优