我在进行超参数调优，使用scikit-optimize进行贝叶斯优化，并使用RandomizedSearchCV进行随机搜索。

在sci-kit optimize中，我可以轻松地这样定义learning_rate：

space= [Real(10**-5, 10**0, "log-uniform", name='learning_rate'),        Integer(1, 20, name='max_depth'),        ...       ]

我想知道如何在RandomizedSearchCV（sklearn）中实现同样的“列表”值用于优化？

params_randomSearch = {              "learning_rate" : TODO,              "min_samples_leaf": np.arange(1,30,1),              ..              }

回答：

根据RandomizedSearchCV()的文档：

param_distributions : dict

字典，键为参数名称（字符串），值为要尝试的分布或参数列表。分布必须提供rvs方法用于抽样（如scipy.stats.distributions中的那些）。如果给定的是列表，则会均匀抽样。

现在，scikit-optimize中的Real和Integer已经实现了rvs()方法，因此你可以直接使用它们。只需在要用于RandomizedSearchCV的字典中分配它们即可。

params_randomSearch = {      "learning_rate" : Real(10**-5, 10**0, "log-uniform", name='learning_rate'),      "min_samples_leaf": np.arange(1,30,1),              ..              }