GridSearchCV 详解¶

GridSearchCV 的公共封装在 utils/train_utils.py：

def run_grid_search(model_name, estimator, param_grid, features, target):
    ...

每个 AutoML 模型只需要提供两样东西：

estimator
param_grid

剩下的交叉验证、指标、refit 和结果整理都走统一逻辑。

交叉验证¶

当前使用：

StratifiedKFold(
    n_splits=config.CV_FOLDS,
    shuffle=True,
    random_state=config.RANDOM_STATE,
)

config.CV_FOLDS = 3。

StratifiedKFold 会尽量保持每一折里的正负样本比例接近原数据。对 TARGET 这种二分类标签来说，这比普通 KFold 更稳。

多指标评分¶

当前评分配置：

SCORING = {
    "f1": "f1",
    "roc_auc": "roc_auc",
    "accuracy": "accuracy",
}

GridSearchCV 会对每组参数都计算三类指标。结果里取最佳参数对应的：

mean_test_f1
mean_test_roc_auc
mean_test_accuracy

Refit 规则¶

当前配置：

REFIT_METRIC = "roc_auc"

这表示搜索结束后，最佳参数按 AUC 选择。best_params_ 不是 F1 最高的一组，也不是 Accuracy 最高的一组，而是 mean_test_roc_auc 最高的一组。

参数搜索规模¶

网格搜索会穷举每个参数组合。比如 Random Forest 的网格：

{
    "n_estimators": [200, 400],
    "max_depth": [8, 16, None],
    "min_samples_split": [2, 10],
    "class_weight": [None, "balanced_subsample"],
}

组合数是 2 * 3 * 2 * 2 = 24。3 折交叉验证后，实际训练次数是 24 * 3 = 72。

这也是为什么项目把很多模型内部线程数设为 1。外层已经在并行跑组合，内层再并行通常不划算。

输出整理¶

搜索完成后会取：

best_index = search.best_index_

然后从 search.cv_results_ 里读最佳参数对应的三个平均测试指标。最终用 build_completed_result() 生成统一结构。

这个项目没有保存每一组参数的完整 cv_results_。当前输出偏向汇总比较，不适合直接做参数搜索过程分析。如果后续要画参数曲线，可以在 run_grid_search() 里额外保存完整结果。