8.3 超参数搜索与最终测试：搜索预算越大，越容易过拟合验证过程

模型工坊一夜跑了两千组参数，第二天挑出 validation 第一名。阿花没有立刻庆祝：“如果两千次都盯着同一块验证数据，总会有一个因为运气排在前面。”

超参数搜索是一种模型选择过程。候选越多、反馈越频繁，validation 越像训练数据；最终 test 或 outer CV 必须评估整套选择流程，而不是只评估获胜模型的训练结果。

本课目标

• 区分模型参数、超参数与决策参数；
• 设计有尺度、条件和预算的搜索空间；
• 正确使用 grid/random/adaptive search；
• 把 pipeline、early stopping、calibration 和 threshold 放入验证边界；
• 冻结选择后只用 test 做最终评估。

1. 哪些东西都算“从数据选择”

• model parameters：训练 loss 学到的系数、树分裂、神经网络权重；
• hyperparameters：正则强度、树深、learning rate、representation 选择；
• decision parameters：分类阈值、top-$K$、拒绝区间；
• procedure choices：特征窗口、缺失策略、metric、ensemble 规则。

后三类只要根据 validation 结果调整，就属于模型选择。手工“凭经验改两次”与自动 RandomizedSearchCV 在统计上没有本质区别，都消耗验证信息。

2. 先写搜索目标和预算

搜索前固定：

• primary selection metric/utility；
• secondary guardrails（延迟、校准、公平、内存）；
• splitter 和随机种子策略；
• 最大 candidate 数、总 fit 数和时限；
• 失败/NaN 的处理；
• 最小有意义改进；
• test 何时解封。

否则团队会在看到结果后换指标、扩大空间、删除失败折，最终 best score 无法解释。

3. 搜索空间要尊重参数尺度

正则强度、learning rate 常跨多个数量级，适合 log-uniform；深度、邻居数是离散整数；某些参数只在特定模型/solver 下有效。

不合理网格：

C = [1, 2, 3, 4, 5]

若合理范围可能从 $10^{-4}$ 到 $10^2$，线性小网格几乎没探索尺度。先用宽的对数空间找区域，再在冻结预算内细化；不要看到 test 后再扩范围。

Conditional space 也很重要：只有 penalty="elasticnet" 时才搜索 l1_ratio；不同 booster/grow policy 对应不同参数。把无效组合塞进笛卡尔网格既浪费计算，也容易产生失败候选。

4. Grid 与 Random Search

Grid search 枚举笛卡尔积，适合候选很少、每个值有明确意义的空间。维度一多，组合数相乘。

Random search 在固定 n_iter 下从分布采样：

• 搜索预算与维度解耦；
• 连续参数能访问更多不同取值；
• 结果依赖参数分布和随机种子；
• 可随预算追加候选，但追加规则应预先定义。

Random 不等于盲目。分布上下界仍是强先验，应记录采样值和失败情况。

5. 一个 Pipeline 内的 Group-aware Random Search

from scipy.stats import loguniform
from sklearn.impute import SimpleImputer
from sklearn.linear_model import LogisticRegression
from sklearn.model_selection import RandomizedSearchCV, StratifiedGroupKFold
from sklearn.pipeline import Pipeline
from sklearn.preprocessing import StandardScaler

pipeline = Pipeline([
    ("impute", SimpleImputer(strategy="median")),
    ("scale", StandardScaler()),
    ("model", LogisticRegression(max_iter=3_000)),
])

inner_cv = StratifiedGroupKFold(
    n_splits=5,
    shuffle=True,
    random_state=42,
)

search = RandomizedSearchCV(
    pipeline,
    param_distributions={
        "model__C": loguniform(1e-4, 1e2),
        "model__class_weight": [None, "balanced"],
    },
    n_iter=40,
    scoring={
        "neg_log_loss": "neg_log_loss",
        "average_precision": "average_precision",
    },
    refit="neg_log_loss",
    cv=inner_cv,
    random_state=42,
    n_jobs=-1,
    return_train_score=True,
)

search.fit(X_development, y_development, groups=development_group)

test_probability = search.predict_proba(X_test)[:, 1]

best_score_ 对 neg_log_loss 是“越大越好”的负损失，不要把负号忘掉。多指标搜索只按 refit 指定的 metric 选最终 estimator；其他指标用于 guardrail/诊断，不会自动做多目标优化。

项目启用 metadata routing 或升级 sklearn 后，groups/额外元数据传递方式可能变化，应固定版本并测试每折 group 隔离。

6. Best Candidate 常只是噪声赢家

cv_results_ 应至少检查：

• 各折与均值/标准差；
• train–validation gap；
• fit/score 时间；
• failed/NaN candidates；
• 参数边界是否总胜出；
• top candidates 差异是否小于抽样噪声；
• 不同时间/group 的排名是否翻转。

当多个候选性能相近，可用 one-standard-error 类规则或预先定义的容差，选择更简单、更快、更稳定的模型。最高第四位小数不一定值得更高延迟。

7. 多目标选择要明确优先级

真实系统常要求：

在 validation log loss 不劣于 baseline 1% 的候选中，
选择 p99 延迟最低且群体 recall 均达到门槛的模型。

这不是把多个 metric 取平均。可使用 constrained selection、Pareto frontier 或 refit=callable，但规则要在 test 前冻结。模型、阈值和容量还可能共同决定结果，最好直接评估最终 decision policy。

8. Adaptive/Bayesian Search 的代价

Bayesian optimization 根据历史 trial 建 surrogate/acquisition 决定下一组参数；successive halving 用少量资源初筛，再给少数候选更多资源。

它们可节省计算，但没有免除验证偏差：

• 早期低资源排名可能不能预测完整训练排名；
• 学习曲线可交叉，过早淘汰慢热候选；
• adaptive trial 更紧密地使用同一 validation；
• 并行 trial、失败恢复和随机性影响复现；
• sklearn 的 halving search 在当前版本仍可能是 experimental API。

记录每个 trial 的 code/data/version、资源、seed、metric 与终止原因。

9. Early Stopping 需要第三层训练边界

在一个 inner fold 内评估 boosting candidate 时：

• outer/inner validation 不能直接作为每棵模型的 early-stopping data 后又无修正地报告同一分数；
• 可从 inner-train 再切 fit/early-stop 子集，或使用能正确 cross-fit rounds 的自定义流程；
• 选定轮数后如何 refit 全开发集，要预先规定；
• 绝不能用最终 test 控制停止。

通用 SearchCV 未必自动把每折 validation 传给第三方库的 eval_set。如果代码把同一个全局 X_valid 塞进每个 fit，可能产生跨折泄漏。需要自定义 estimator/callback 或分阶段方案，并写测试验证 indices。

10. Calibration 与 Threshold 也要嵌套

一个完整 binary system 可能依次选择：

1. representation 与 model hyperparameters；
2. calibration mapping；
3. decision threshold。

若都在同一 validation 上反复优化，结果偏乐观。可选设计：

• 训练/调参、校准、阈值各有独立数据段；
• cross-fitting 生成 out-of-fold scores，再拟合 calibration/threshold；
• 将完整 meta-estimator 放入 outer CV；
• 最终独立 test 评估冻结 pipeline。

阈值调优不改变原始 score 的 ROC/PR 排序曲线，但会改变 hard predictions 和 utility。Calibration 若是严格单调映射也不改变排名；有限数据与非严格变换下仍要实测。

11. Parallel Search 的工程陷阱

n_jobs=-1 加上模型内部多线程会 oversubscribe CPU。候选并行还可能复制数据，导致内存峰值和 OOM。

控制：

• 只在搜索层或 estimator 一层并行；
• 设置 pre_dispatch/线程环境；
• 记录峰值 RSS、fit time 和能耗；
• 给每个 trial 超时与失败分类；
• 不把 OOM candidate 当作普通低分静默丢弃。

可部署性是 selection guardrail，不是获胜后才检查。

12. 最终测试与重训协议

一种清楚的 holdout 流程：

1. 锁定 test snapshot 与评估脚本；
2. 在 development data 完成所有搜索、特征、校准、阈值与代码选择；
3. 冻结 pipeline、依赖、seed policy 和 primary metric；
4. 解封 test，生成一次 predictions；
5. 报告 point estimate、合适单位的 uncertainty、切片与失败案例；
6. 根据预设 release gate 决策。

若 test 失败后改模型，可以继续开发，但必须承认原 test 已成为开发证据。需要新的未来窗口、外部数据或严格记录的 sequential testing 方案恢复可信最终评估。

最终决定后是否在 train+validation 上 refit，要看 calibration/threshold 如何交叉拟合以及 test 之后是否仍需估计性能。不能先把 test 也加入训练，再用旧 test 分数代表新模型。

常见误区

• 手调参数不算搜索：只要看 validation 反馈调整，就在消耗它。
• GridSearchCV 的 best score 是泛化无偏估计：它是被选择出的最大 CV 分数，通常乐观。
• Random search 天然更科学：分布、预算和验证结构仍决定质量。
• Early stopping 自动防过拟合：它本身就是 validation-driven 选择。
• SearchCV 会自动处理第三方 eval_set：通常需要显式设计和测试。

练习

1. 把线性网格改为 log-uniform 搜索，并画出实际采样值。
2. 从 cv_results_ 找出分数相近但延迟/复杂度不同的候选。
3. 实现 outer GroupKFold + inner RandomizedSearchCV，比较 best inner score 与 outer score。
4. 画出 boosting 的 fit/early-stop/inner/outer/test 数据边界。
5. 写一份包含 calibration、threshold 和最终 test 的冻结协议。

小结

超参数搜索扩大了候选范围，也扩大了对 validation 的适应。可靠流程要预先固定目标、空间、预算与 split，把所有 learned choices 放入 inner loop，并用独立 test 或 outer CV 评估整套选择过程。模型第一名只是候选，冻结后的决策系统才是交付物。

下一章进入神经网络。训练规模和非凸优化都会增加，但评估原则不变：数据边界、目标、early stopping 和最终 test 仍必须彼此隔离。