我的时间序列模型即将完成，数据也收集得差不多了，现在卡在了超参数优化上。
经过大量的搜索，我发现了一个新的且不错的库叫做ultraopt，但问题是，我应该从我的总数据量（约150 GB）中取多少数据来进行超参数调整呢？我想尝试很多算法和组合，有没有更快更简单的办法？
或者
是否有相关的数学方法，比如，我的总数据量为100%，
用5%的数据量进行超参数优化，
然后用剩下的95%的数据量对优化后的超参数进行某种操作或验证，#类似这样的方法
以达到与使用全部数据进行优化时相似的结果。有什么快捷方式吗？
我使用的是Python 3.7，CPU：AMD Ryzen 5 3400G，GPU：AMD Vega 11，内存：16 GB
回答：
超参数调整通常在训练-验证-测试数据集的验证集上进行，每个部分的划分大致为整个数据集的70%、10%和20%。作为基准，随机搜索可以使用，而基于高斯过程的贝叶斯优化已被证明在计算效率上更高。scikit-optimize是一个不错的工具包，可以用于此目的。
