Python中的調參問題是一個常見的難題。超參數的設置往往會影響到機器學習算法的效果。因此，搜索合適的超參數非常重要。這篇文章將介紹一些Python中的超參數搜索方法。

GridSearchCV(param_grid, cv=n)

GridSearchCV是一種最常見的基于網格的超參數搜索方法。該函數需要輸入的參數有param_grid和cv。其中，param_grid是一個參數列表，這里面列出了我們關心的每一項超參數及其可能取得的值。cv是交叉驗證折數。GridSearchCV會將param_grid中所有可能的超參數組合遍歷一遍，并根據交叉驗證的結果評估超參數的質量。最終返回評估最好的一個超參數組合。

RandomizedSearchCV(param_distributions, cv=n, n_iter=m)

RandomizedSearchCV是另一種常見的超參數搜索方法。同樣需要輸入的參數有param_distributions和cv，另外還需要指定搜索次數n_iter。隨機搜索會在param_distributions中隨機選擇m個超參數組合進行評估，最終返回評估值最好的一個超參數組合。

K-Fold Cross Validation

K-Fold交叉驗證是一種經典的模型評估方法。它可以幫助我們評估模型的性能。K代表折數，將數據集分成K個部分，每次使用K-1個部分作為訓練集，剩下的部分作為測試集，交叉驗證操作重復K次，每次使用不同的訓練集和測試集，最終用每次測試結果的平均值來衡量模型性能。

以上就是Python中幾種常見的超參數搜索和評價方法。在使用這些方法時，需要注意超參數的范圍和Granularity，即參數可能取的值的數量。如果范圍太小或者數量太少，會導致搜索結果不理想，如果范圍太大，搜索過程會非常耗時。