Для чего нужен grid search

Grid search — это метод подбора гиперпараметров модели, который автоматически проверяет все возможные комбинации из заданного набора значений. Он помогает найти оптимальные параметры, минимизируя ошибку или максимизируя метрику качества (например, accuracy, F1-score).

Пример с GridSearchCV из sklearn:

from sklearn.model_selection import GridSearchCV
from sklearn.ensemble import RandomForestClassifier

param_grid = {
'n_estimators': [50, 100, 200],
'max_depth': [None, 10, 20],
'min_samples_split': [2, 5, 10]
}

model = RandomForestClassifier()
grid_search = GridSearchCV(model, param_grid, cv=5, scoring='accuracy')
grid_search.fit(X_train, y_train)

print("Лучшие параметры:", grid_search.best_params_)

**Плюсы:**  
- Простота использования.  
- Полный перебор гарантирует нахождение лучшей комбинации в рамках заданного пространства.  

**Минусы:**  
- Вычислительно затратен, особенно при большом количестве параметров.  
- Не учитывает взаимосвязи между параметрами, если они не заданы явно.  

Для ускорения можно использовать `RandomizedSearchCV`, который проверяет случайные комбинации.