我认为这取决于您的多维网格的大小。如果它很小，那么您可以做到详尽并进行网格搜索。但是，如果它非常大，并且您的网格搜索计算时间延长太多，那么一定要进行随机搜索。事实上，与网格搜索相比，随机搜索可以探索更大的区域，这是一个优势。

无论如何，对于超参数搜索，有两个键：

1. 在它运行时对其进行监控，以便在您对结果满意时停止它。这对于随机搜索特别重要。
2. 将数据分成三部分，训练、交叉验证和测试。评估 cv 集中的超参数搜索。完成后，按他们在那里的表现对他们进行排名，然后在测试中取最佳点并重新评估。您可能会执行所谓的“过度拟合 cv 集”，在这种情况下，测试集中的性能将比 cv 集中的性能显着恶化。如果发生这种情况，请尝试使用第二好的、第三好的等，直到测试集中的性能良好。但要考虑到，您从排名中获得的分数越多，“过度拟合测试集”的机会就越高。

找到最佳区域后，您可以使用网格搜索或随机搜索再次执行更受约束的区域。

另一种效果很好的选择是贝叶斯优化。在这里，您使用的库很重要。在 Python 中，在尝试了几种不同的问题后，我发现最好的是 skopt：https ://scikit-optimize.github.io/