使用 GridSearchCV 调优 SVR 的超参数时，有什么更好的选择方法？我了解到 GridSearchCV 的输入是一组 C、gamma 和 epsilon 的值。 GridSearchCV 算法会评估这些值，并在给定的输入值集中建议最佳值。如何选择要作为输入的值集？除了试错法之外，有没有更好的选择方法？试错法耗时，而且可能会错过超参数的最优值。
回答：
如往常一样，好的超参数范围取决于问题本身。很难找到一个适合所有问题的解决方案。
文献推荐的 epsilon 值在 1-e3 到 1 之间。对于 C 参数，一个好的超参数空间应该在 1 到 100 之间。过大的 C 值只会使训练数据过拟合。
gamma 已经由 scikit-learn 的 SVR 计算。我不会更改它。
别忘了你还可以调优 kernel，这可能是最重要的超参数需要调优的。
总之，寻找最佳超参数范围时没有免费的午餐。最好的选择是阅读文献和文档，并理解每个参数的影响。
