AI時代系列(1) 機器學習三部曲: 🔹 第一部：《機器學習 —— AI 智慧的啟航》
53/100 第六週：模型評估與優化
53. 超參數調整（Grid Search, Random Search, Bayesian Optimization） 🎛 如何調整超參數，讓模型表現更佳？
超參數調整（Hyperparameter Tuning）🎛
如何調整超參數，讓模型表現更佳？
________________________________________
🔎 一、什麼是「超參數」？
• 超參數（Hyperparameters） 是訓練前就必須設定好的參數，直接影響模型學習的過程與結果。
• 舉例：
o KNN 的鄰居數（k）
o 決策樹 的最大深度
o SVM 的 C、gamma
o 神經網路 的學習率（learning rate）、batch size、層數、神經元數量
✅ 超參數 ≠ 權重參數（模型內部學習出來的參數）
________________________________________
🌟 二、為什麼要調整超參數？
• 超參數直接決定：
✅ 模型的表現（準確率、泛化能力）
✅ 訓練速度和穩定性
✅ 是否會過擬合或欠擬合
• 調整（Tuning）得好，模型 性能大躍進；調整錯，直接爆炸
________________________________________
🎯 三、常見超參數調整方法對比
在機器學習中，超參數調整是提升模型效能的重要步驟，常見方法包括 Grid Search、Random Search 與 Bayesian Optimization。Grid Search 採用窮舉法，測試所有可能參數組合，雖然全面但效率低、計算量大；Random Search 則隨機挑選部分組合，速度較快且在高維空間中往往比 Grid 更有效率，但不保證能找到最佳解；Bayesian Optimization 則透過機率模型（如高斯過程）預測與引導參數選擇路徑，能更聰明地收斂至最佳解，但實作較複雜，需額外套件支援。選擇合適方法需視資源限制與問題複雜度而定。
________________________________________
🛠 四、Python 範例（以 GridSearchCV 示範）
python
from sklearn.model_selection import GridSearchCV
from sklearn.ensemble import RandomForestClassifier
from sklearn.datasets import load_iris
X, y = load_iris(return_X_y=True)
param_grid = {
'n_estimators': [50, 100, 200],
'max_depth': [3, 5, 10]
}
grid_search = GridSearchCV(RandomForestClassifier(), param_grid, cv=5)
grid_search.fit(X, y)
print("最佳參數：", grid_search.best_params_)
print("最佳分數：", grid_search.best_score_)
這段程式碼透過 GridSearchCV 對隨機森林分類器進行超參數調整，針對鳶尾花（Iris）資料集設定不同的樹數量與深度組合，並以 5 折交叉驗證全面評估每組參數的準確率，最終找出表現最佳的組合及其對應的平均準確率。此方法系統性地搜尋所有可能參數配置，適用於資料量不大且希望獲得最佳模型效能的情境，是實務中常用且穩健的模型優化策略。
最佳參數： {'max_depth': 3, 'n_estimators': 200}
最佳分數： 0.9666666666666668
✅ 結果：自動找到最適合的樹數和深度組合！
________________________________________
📈 五、什麼時候該用哪一種方法？
情境 建議方法
小數據集、少量參數 ✅ Grid Search
參數組合太大，計算成本高 ✅ Random Search
高成本模型（如深度學習） ✅ Bayesian Optimization
想兼顧速度與效果 ✅ 先 Random Search 粗調，再 Grid Search 微調
________________________________________
🧠 六、進階工具推薦：
工具 特色
GridSearchCV / RandomizedSearchCV（sklearn） 經典、好用
Optuna（Python 套件） 支援貝葉斯優化、自動早停，速度快
Hyperopt / Ray Tune 適合大規模分散式調參
Keras Tuner 深度學習專用
________________________________________
📌 七、總結精華：
✅ 超參數調整 = 讓模型發揮最佳實力的「調校過程」
✅ 「不調參」的模型就像沒跑過測試的車，表現很難穩定
✅ 善用工具，避免盲目暴力搜尋，效率翻倍、效果更佳！
________________________________________
🎯 一語精華：
🎛 模型好不好，超參數來決定！調參調得好，模型飛起來！
________________________________________
如果你需要： ✅ PowerPoint 版流程圖（Grid → Random → Bayesian）
✅ 實務案例（金融、醫療調參示範）
✅ 視覺化圖表（超參數 vs. 模型表現曲線）
直接告訴我！我馬上幫你設計 😎
