我正在尝试优化Python中随机森林回归器的超参数。

我有三个独立的数据集：训练/验证/测试。因此，我不想使用交叉验证方法，而是希望使用特定的验证集来调整超参数，即在这个stackoverflow帖子中描述的“第一种方法”。

现在，sklearn有一些使用交叉验证进行超参数优化的内置方法（例如这个教程），但如果我想用特定的验证集来调整我的超参数呢？我还能使用像RandomizedSearchCV这样的方法吗？

回答：

确实可以使用cv选项。正如文档所建议的，其中一种可能的输入是训练/测试索引元组的可迭代对象：

一个产生索引数组的训练/测试分割的可迭代对象。

因此，一个包含训练和验证索引打包成元组的单一列表是可以的。