1、手动参考，但这种方法依赖于大量的经验，而且更耗时。
在许多情况下，工程师手动调整超参数进行优化，经验丰富的工程师可以在很大程度上判断如何设置超参数，从而提高模型的准确性。
2、网格优化是最基本的超参数优化方法。
利用这种技术，我们只需要建立一个独立的模型来评估每个模型的性能，并选择产生最佳结果的模型和超参数。
fromsklearn.datasetsimportload_iris
fromsklearn.svmimportSVC
iris=load_iris()
svc=SVR()
fromsklearn.model_selectionimportGridSearchCV
fromsklearn.svmimportSVR
grid=GridSearchCV(
estimator=SVR(kernel='rbf'),
param_grid={
'C':[0.1，100，1000]，
'epsilon':[0.0001,0.0005,0.001,0.005,0.0.05,0.0.1,0.5,1,5,10],
'gamma':[0.0001,0.001,0.05，0.1，1，3，5]
},
cv=5,scoring='neg_mean_squared_error',verbose=0,n_jobs=-1)3、随机寻优可以更准确地确定一些重要超参数的最佳值。
并非所有的超参数都有同样的重要性，有些超参数的作用更为明显。
以上是python超参数的优化方法，希望对大家有所帮助。更多Python学习指南：python基础教程
本文教程操作环境：windows7系统Python 3.9.1，DELL G3电脑。