Sklearn自定义实现GridSearch

引言：本文旨在利用Sklearn中的ParameterGrid来实现一个自定义化的网格搜索（GridSearch）函数，应用场景的话是可以自定义评价指标、同时能够在固定的验证集而非默认使用K-fold进行最优模型保存。

问题概述

 网格搜索（GridSearch）可以帮助我们确定最优的模型参数，但它的封装程度较高，难以进行自定义的评价指标设置；此外默认使用K-fold来选取最优参数也比较烦人。因此本文设计的自定义GridSearch流程实现了在固定的evaluation set进行最优模型的选取。

设计思路

 设计流程和原始的GridSearch一致，主要是利用了Sklearn中原本就有的ParameterGrid来生成一系列的候选参数，循环创建对应的模型，在验证集上评估模型的效果并保存系列模型的得分，最终选取最优模型。代码如下：

def custom_GridSearch(params,model,train_feature,train_label,eval_feature,eval_label,criterion):
    from sklearn.model_selection import ParameterGrid
    candidatas=ParameterGrid(params)
    result={
   
   }

    for i in range(candidatas.__len__