GBDT（梯度提升决策树）

以下是梯度提升决策树（GBDT）中常用参数的大致调节范围：

1. n_estimators: （树的数量）一般在50到200之间，可以根据数据集的大小和复杂度进行调节。
2. learning_rate: （学习率）一般在0.01到0.1之间，可以尝试不同的学习率来控制模型的收敛速度。控制每棵树的贡献。一般与n_estimators一起调优。
3. max_depth:（每棵树的最大深度） 一般在3到10之间，可以根据数据集的复杂度和特征数量来调节。
4. min_samples_split:（节点分裂所需的最小样本数） 一般在2到20之间，可以根据数据集的样本数量来调节。
5. min_samples_leaf（叶子节点所需的最小样本数）: 一般在1到10之间，可以根据数据集的样本数量和噪声情况来调节。
6. subsample:（每棵树的样本采样比例） 一般在0.5到1之间，可以尝试不同的子采样比例来控制模型的方差。

以上范围仅供参考，实际调节时可以根据具体情况进行微调。在进行网格搜索时，可以选择合适的参数范围来搜索最佳的参数组合。