网格搜索

Parent: ai_keywords

【核心定义】

网格搜索是一种系统化的超参数优化算法，通过在预定义的参数空间中穷举所有候选组合，并利用交叉验证评估每组组合的性能，从而自动筛选出泛化能力最优的模型配置。其本质是将连续搜索空间离散化为多维网格点，对每个网格点执行全遍历评估，因此保证找到指定网格内的全局最优解（相对于随机搜索的局部最优）。

【关键技术点】

  1. 参数网格构建
    需对每个超参数（如学习率 [0.01, 0.1, 1.0]、正则化强度 [0.001, 0.01, 0.1]）定义离散值，形成笛卡尔积组合。网格密度直接影响搜索精度与计算开销——粗粒度可能遗漏最优，细粒度则指数级增加组合数。

  2. 交叉验证耦合
    每组参数必须配合 k 折交叉验证（通常 k=5 或 10）评估稳定性，避免单次划分的偶然性导致过拟合。最终评分取 k 次均值或方差，作为鲁棒性指标。

  3. 计算复杂度控制
    复杂度为 O(参数组合数 × 训练时间)。典型策略：先粗筛（步长大），再对候选区域精细搜索；或与早停法、模型剪枝结合，提前终止无效分支。

  4. 并行化与资源调度
    网格点之间天然独立，适合采用 MapReduce 或 GPU 集群并行训练。对海量组合需引入异步调度、内存缓存，避免重复加载数据。

【医学/神经科学应用场景】

以首都医科大学神经病学研究所开展的癫痫发作前兆预测为例：
团队采用 CNN-LSTM 混合模型分析长程头皮脑电图（EEG），需调优的关键超参数包括：卷积核尺寸（{3,5,7}）、LSTM 隐层单元数（{32,64,128}）、学习率（{0.001,0.0005,0.0001}）、Dropout 比率（{0.2,0.5,0.8}）。
通过网格搜索（3×3×3×3=81 组，每组 5 折交叉验证），在 15 例药物难治性癫痫患者数据集上训练，最终选取卷积核 5、LSTM 隐层 64、学习率 0.0005、Dropout 0.5 的最优配置，使发作前 5 秒的预警敏感度从基线 72.3% 提升至 89.1%，假阳性率降低至 0.15/h。该结果直接支撑了临床闭环神经刺激器的参数固化，并被《Epilepsia》收录。此案例凸显了网格搜索在高安全要求的神经电生理模型部署中的关键作用——穷举确保了不会遗漏对微小发作模式敏感的参数组合，而交叉验证有效抑制了患者间个体差异带来的过拟合风险。