在纯随机搜索中，通常根据经验给出 60 分，因为可证明这样的搜索以 95% 的概率在前 5% 中找到超参数组合。

但是，这 5% 是搜索空间量的百分比，因此如果搜索空间太宽泛，最好的 5% 对模型来说可能不是一个很好的分数。所以它似乎并不完全取决于超参数的数量，而是取决于好的组合的数量，而这反过来又间接地取决于超参数的数量。

与纯随机搜索相比，贝叶斯优化应该花费更少的迭代次数（但不一定需要更少的时间！）以达到最佳效果，特别是应该相对较快地排除大量不良容量。

所以，总而言之……不，我实际上没有经验法则。考虑到最后两段的权衡，60 可能是一个不错的选择；如果培训不是太贵，我会增加到100。还要考虑你的包是否允许你继续贝叶斯搜索：你可以分析到目前为止的结果（主要是看看最后几次迭代是否聚集在某个点周围，以及目标函数的变化范围），看看你是否想继续. 最后，请注意scikit-optimize将默认值设置为 50，但似乎并没有太多。