GridSearchCV 是围绕交叉验证构建的，但如果速度是您的主要关注点，您可以使用较少的折叠数获得更好的性能。

从文档：

sklearn.model_selection.GridSearchCV 类（估计器，param_grid，评分=None，n_jobs=None，iid='deprecated'，refit=True，cv=None，verbose=0，pre_dispatch='2*n_jobs'，error_score=nan，return_train_score =假）

cv：int，交叉验证生成器或可迭代的，可选

确定交叉验证拆分策略。cv 的可能输入是：

    None, to use the default 5-fold cross validation,

    integer, to specify the number of folds in a (Stratified)KFold,

    CV splitter,

    An iterable yielding (train, test) splits as arrays of indices.

对于整数/无输入，如果估计器是分类器并且 y 是二元或多类，则使用 StratifiedKFold。在所有其他情况下，使用 KFold。

cv默认为 5，因此将其更改为 2 应该会为您提供显着的加速。这将显着削弱交叉验证。

或者，您可以为您的cv. 这将有效地禁用交叉验证并消除它提供的好处。

通过传递一个可调用的参数scoring，它直接使用模型的 oob 分数并完全忽略传递的数据，您应该能够使 GridSearchCV 按您希望的方式运行。cv正如@jnranton 建议的那样，只需为参数传递一个拆分；您甚至可以更进一步，使单个拆分使用训练部分的所有数据，而测试部分甚至不会在上述设置中使用。（sklearn 是否执行检查以防止通过cv=1？）

我还没有机会尝试这个：

def oob_scorer(estimator, X, y):
    return estimator.oob_score_

model = GridSearchCV(estimator=RandomForest(...),
                     param_grid={...},
                     scoring=oob_scorer,
                     cv=PredefinedSplit([-1]*TRAIN_SET.shape[0]),
                     ...
                     )

scikit docs：
固定拆分
自定义记分器

相关问题：
使用 oob 作为度量的 Scikitlearn 网格搜索随机森林？
RandomForestClassifier OOB 评分方法

我不确定这种方法是否值得。即使使用并行化，自己制作网格循环也不会非常困难。

编辑：是的，没有测试组的 cv-splitter 失败。按分钟计算，但您可以只拆分一个测试点，或者添加一个虚拟测试集，或者......
这是一个工作示例。似乎确实在使用 oob_score，并且测试集只有一个牺牲点： https ://github.com/bmreiniger/datascience.stackexchange/blob/master/GridSearchNoCV_oob.ipynb

有几种方法可以加快速度：

1. 减少 CV 值，如@jncraton 所述
2. 减少超参数的搜索空间（只测试几个参数或减少参数的范围）

此外，您可能会考虑通过使用 hyperopt 或 nevergrad 来使用更有效的超参数搜索方式。

或者，只需自己实现一个简单的网格搜索算法。Mueller 和 Guido 的“Python 机器学习简介”一书中包含一个使用以下代码的示例SVC：

# naive grid search implementation
from sklearn.svm import SVC

X_train, X_test, y_train, y_test = train_test_split(iris.data, iris.target, random_state=0)
print("Size of training set: {} size of test set: {}".format( X_train.shape[0], X_test.shape[0]))

best_score = 0

for gamma in [0.001, 0.01, 0.1, 1, 10, 100]:
    for C in [0.001, 0.01, 0.1, 1, 10, 100]:
        # for each combination of parameters, train an SVC
        svm = SVC(gamma=gamma, C=C)
        svm.fit(X_train, y_train)
        # evaluate the SVC on the test set
        score = svm.score(X_test, y_test)
        # if we got a better score, store the score and parameters
        if score > best_score:
            best_score = score
            best_parameters = {'C': C, 'gamma': gamma}

print("Best score: {:.2f}".format(best_score))
print("Best parameters: {}".format(best_parameters))