我正在尝试使用 train_test_split 策略微调我的 sklearn 模型。我知道GridSearchCV执行参数调整的能力，但是，它与使用交叉验证策略有关，我想使用 train_test_split 策略进行参数搜索，因为训练速度对我的情况很重要，我更喜欢简单train_test_split交叉验证。
我可以尝试编写自己的 for 循环，但如果不利用 GridSearchCV 中使用的内置并行化，效率会很低。
任何人都知道如何为此利用 GridSearchCV 吗？或者提供一个不太慢的替代方案。
是的，您可以为此使用ShuffleSplit 。
ShuffleSplit 是一种类似于 的交叉验证策略KFold，但与KFold您必须训练K模型的地方不同，在这里您可以控制进行训练/测试拆分的次数，即使您愿意也可以控制一次。
shuffle_split = ShuffleSplit(n_splits=1,test_size=.25)
n_splits定义重复此拆分和训练例程的次数。现在你可以像这样使用它：
GridSearchCV(clf,param_grid={},cv=shuffle_split)
我想通过提供代码示例来补充 Shihab Shahriar 的答案。
import pandas as pd
from sklearn import datasets
from sklearn.model_selection import GridSearchCV, ShuffleSplit
from sklearn.ensemble import RandomForestClassifier
# Load iris dataset
iris = datasets.load_iris()
# Prepare X and y as dataframe
X = pd.DataFrame(data=iris.data, columns=iris.feature_names)
y = pd.DataFrame(data=iris.target, columns=['Species'])
# Train test split
shuffle_split = ShuffleSplit(n_splits=1, test_size=0.3)
# This is equivalent to:
# X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3)
# But, it is usable for GridSearchCV
# GridSearch without CV
params = { 'n_estimators': [16, 32] }
clf = RandomForestClassifier()
grid_search = GridSearchCV(clf, param_grid=params, cv=shuffle_split)
grid_search.fit(X, y)
这应该可以帮助任何面临类似问题的人。