首先我对你的问题的理解。您想找到随机森林的最佳超参数。

为此，您首先要调整 n_estimators 参数，然后在不同的运行中调整其余参数。

在回答您的问题之前，您只需要在希望获得大约 1% 的改进时对超参数进行彻底的搜索。所以这将是一个小的改进。如果你想改进你的模型，可能特征工程或数据工程会给你一个更好的改进。甚至是不同的算法。

您可以打印 GridsearchCV 的结果

pd.DataFrame(clf.cv_results_)

你的问题的答案：

不，您不应该在不同的运行中运行 GridsearchCV，如果您想找到全局最小值，则必须探索整个参数。一个参数的微小变化会影响其他参数。最后，您正在探索搜索空间。

编辑：哦，现在我想我明白为什么@CarlosMougan 说不了。你说

...使用相同的参数启动相同的 GridsearchCV，然后更改...

如果您的意思是对所有超参数使用最佳值，但n_estimators现在只搜索那个超参数，那么 Carlos 是对的，而且理由正确。下面，我将您的建议解释为再次搜索整个空间，除了新的n_estimators.

我看不出有任何理由你不能这样做。您可能希望提前修复 cv 拆分，并在两次运行网格搜索时使用相同的拆分，同时保持比较完全公平。（在 sklearn 中，这意味着cv作为其 CV 生成器之一或作为迭代传递。）

这种方法很有意义，特别是在

• 您想立即检查一些结果，因此在运行下一个网格时转储一些较小的网格以查看。（这种情况与您的情况相匹配，运行时间（？）很高。）

• 您希望第一个网格是全部，但发现一个超参数始终在网格边缘表现最佳，所以现在您希望 top 扩展其范围。

最后请注意，随机森林中树的数量与性能关系不大；相反，更多的树只是稳定了树构造中的一些随机性。因此，一般来说，您希望将其设置为“足够高”，而不是太高以至于计算不必要地长。