gridsearchcv搜不出最优c和gamma的主因是参数网格稀疏或范围不合理，需用np.logspace对数采样、确保gamma全为正、避免手动误设0、配合pipeline标准化及匹配业务目标的scoring。
GridSearchCV 为什么搜不出最优 C 和 gamma？
常见原因是参数网格太稀疏或范围不合理。比如 C 用 [0.1, 1, 10]，而真实最优值在 100 附近；或者 gamma 用线性步进而非对数尺度，漏掉数量级差异大的候选值。
- 必须用
np.logspace(-3, 3, 7)这类对数均匀采样，覆盖1e-3到1e3范围 -
C和gamma都建议从1e-3到1e3开始试探，再根据结果收缩范围 - 别用
param_grid = {'C': [1, 10], 'gamma': [0.1, 1]}—— 这只试 4 种组合，大概率错过最优解
如何避免 GridSearchCV 报 ValueError: gamma ？
这是 gamma 被设为 0 或负数导致的。SVM 的 RBF 核要求 gamma > 0，而手动构造参数网格时容易误写 0 或用 range() 生成非正数。
- 永远用
np.logspace或np.geomspace构造gamma，例如：np.logspace(-2, 2, 5) - 检查
param_grid中每个gamma值是否全为正：all(g > 0 for g in param_grid['gamma']) - 如果用
sklearn.model_selection.ParameterGrid手动遍历，务必加if gamma > 0:过滤
训练慢得离谱？cv=5 不等于只跑 5 次
GridSearchCV 的总耗时 = 参数组合数 × 折数 × 单次训练时间。10×10 的网格配 5 折，实际训练 500 次 SVM——这还不算验证集预测开销。
- 先用
cv=3快速粗筛，缩小网格后再用cv=5精调 - 加
n_jobs=-1启用多进程（但注意内存是否够，尤其数据大时） - 对小数据集可考虑
StratifiedShuffleSplit(n_splits=3, test_size=0.2)替代默认KFold，减少重复划分开销 - 别在调参前忘了标准化：
StandardScaler必须套在Pipeline里，否则C和gamma意义错乱
拿到 best_params_ 后模型还是不准？
最常被忽略的是：GridSearchCV 返回的 best_estimator_ 是在全部训练集上用最优参数重训的，但如果你自己用 best_params_ 新建 SVC 再 fit，没做标准化或用了不同随机状态，结果就会不一致。
- 直接用
grid.best_estimator_.predict(X_test)，别自己重建模型 - 确认 pipeline 是否包含 scaler：若用了
Pipeline([('scaler', StandardScaler()), ('svc', SVC())])，则best_estimator_已固化预处理逻辑 - 检查
scoring参数是否匹配业务目标，比如分类不平衡时用'f1'或'roc_auc'，而非默认'accuracy'
超参数搜索不是黑盒流程，每一步的数值范围、标准化一致性、评估指标定义，都直接影响最终模型效果。漏掉其中任何一个，搜出来的“最优”就只是幻觉。
Python免费学习笔记（深入）：立即使用
在学习笔记中，你将探索 Python 的核心概念和高级技巧！
