PSO优化XGBoost超参数：结合时间序列交叉验证的完整实践指南

1. 项目到底在解决什么问题：为什么是PSO、XGBoost和交叉验证的组合

1.1 多变量时间序列预测为什么难

先说个现实问题。很多人第一次做时间序列预测，习惯性地拿起LSTM、Transformer这类深度学习模型，结果发现数据量不够、训练时间长、调参调到怀疑人生。实际上在工业场景和中短期预测任务里，树模型反而更稳、更实用。XGBoost就是其中的代表。它把时间序列预测问题转换成回归问题来处理,本质上是在用历史窗口的特征去拟合未来的目标值。

但多变量时间序列比单变量麻烦得多。多变量意味着你手里的特征不止一个，可能是温度、湿度、风速、压力、流量，每个变量都有自己的量纲、波动幅度和滞后效应。你要预测的目标变量可能同时受到多个变量的影响，变量之间还可能存在交叉耦合关系。这种高维特征空间下，光靠手工构造特征就已经很累了，更别提还要去调XGBoost那一堆超参数。

我在实际项目中遇到过这样的场景：一份电力负荷数据，包含历史负荷、温度、节假日标志、星期几、同类用户数量等十几个变量，预测未来24小时的峰值负荷。一开始用默认参数跑了一遍，结果训练集上RMSE低得漂亮，一到测试集就崩了。这就是典型的过拟合。后来开始手动调参，把max_depth从6调到4，把learning_rate从0.3调到0.05，再把n_estimators从100加到500，折腾了大半天，效果是变好了，但过程极其痛苦，而且你永远不知道当前这组参数是不是局部最优。

这个项目标题里的组合，恰好就是解决这个问题的一整套思路：PSO负责把"人工调参"变成"自动寻优"，XGBoost负责提供强力的回归能力，交叉验证负责堵住过拟合这道门。三者各司其职，不花哨，但非常实用。

1.2 三个组件分别承担什么角色

我把这三者的分工用大白话拆开讲。

XGBoost是模型底座。它擅长处理表格型数据，能自动捕捉特征间的非线性关系，对缺失值和异常值有一定鲁棒性，计算效率也高。在时间序列场景下，配合滞后特征和滚动窗口特征，XGBoost能做到比很多深度模型更稳的预测效果。这个项目里它从头到尾都是那个"干活的"。

PSO是调参引擎。粒子群算法的核心逻辑很简单：一群粒子在参数空间中飞行，每个粒子记录自己找到过的最优位置，同时所有粒子共享群体最优位置，通过速度更新来不断逼近全局最优解。相比网格搜索的"傻遍历"和随机搜索的"瞎碰运气"，PSO有方向性、有记忆，收敛速度快很多。

交叉验证是防过拟合的质检员。它把数据切成多份，轮流用其中一部分做验证，其余做训练，最终用多次评估的平均分来衡量模型的真实泛化能力。对于时间序列数据，需要用特殊的交叉验证方式——不能随机打乱，必须按时间顺序切分，否则未来信息会泄漏到训练集里，评估结果就会虚高。

这三者拼在一起，就是一个完整的闭环：PSO给XGBoost喂参数，XGBoost在交叉验证的监督下训练和评估，评估得分反馈给PSO作为粒子适应度，PSO据此更新速度和位置，继续找更好的参数组。循环往复，直到达到设定的迭代次数或精度要求。

这个项目标题本质上就是在讲这个闭环怎么做、每一步的原理是什么、实操时会踩哪些坑。接下来我按实际动手的顺序展开。

2. 三个核心超参数：先搞懂它们再谈优化

2.1 n_estimators（迭代次数）：树越多越好吗

n_estimators也就是num_boost_round，代表XGBoost要训练多少棵决策树。它的含义非常直观：每一棵树都在尝试拟合前面所有树叠加后剩下的残差，树越多，模型对训练数据的拟合能力就越强。

但"拟合越强"在机器学习里是个双刃剑。当树的数量超过某个临界点后，模型开始把训练数据里的噪声也学进去，泛化能力反而下降。这就是为什么你会看到训练集误差一路往下掉、验证集误差画出一条U型曲线。

在实际调参时，n_estimators的合理范围受两个因素制约：一个是数据量，数据量越大，能支撑的树就越多；另一个是学习率，学习率越小，每棵树的贡献越小，需要的树就越多。比如learning_rate设为0.3时，可能200棵树就够用了；但learning_rate降到0.01时，可能要上千棵树才能收敛。

用PSO优化n_estimators时，我一般把搜索范围设在50到500之间。不要设太大，否则训练时间会爆炸。有一点要注意：在XGBoost里，n_estimators和早停机制配合使用效果最好。交叉验证时可以在每个fold里用early_stopping_rounds，让树在验证集上连续多少次没有改善就自动停止，这样既能找到合适的树数量，又能减少不必要的计算量。

2.2 max_depth（最大深度）：控制模型复杂度的手闸

max_depth决定每棵决策树长多深。深度越大，树能捕获的特征交互模式越复杂，但也越容易过拟合。

我在项目里见过一个典型的翻车案例：有同事把max_depth设到15，训练集R2高达0.998，看起来完美，结果测试集R2只有0.6。问题就出在树太深，把很多只在训练集里出现的特征组合当成规则记下来了。树模型界有个共识，深度超过10的树在绝大多数表格数据场景里都是过拟合格局。

对于时间序列预测，我强烈建议max_depth的搜索范围控制在2到8之间，更保险的做法是2到6。时间序列数据本身存在滞后相关性和趋势，通常不需要特别深的树就能捕捉到主要模式。浅树的另一个好处是可解释性更强，你可以通过plot_tree或者特征重要性分析，直观看到模型到底靠哪些历史窗口变量做判断。

2.3 learning_rate（学习率）：步长越小路越长

learning_rate是XGBoost里对每棵树输出结果的缩放系数。每棵树学到的"修正量"会乘以这个系数再叠加到前面的预测结果上。学习率越小，每一步走得越稳，但需要的步数就越多。

打个生活中的比方：你要从A点走到B点，步子大会走得快，但容易跨过头；步子小走得慢，但每步都踩得很扎实。learning_rate就是步长，n_estimators就是步数，两者必须联动调整。增大learning_rate时，要相应减少n_estimators；减小learning_rate时，要增加n_estimators。这是XGBoost调参里最核心的一组动力学关系。

常见的learning_rate范围是0.01到0.3。低于0.01时收敛太慢，高于0.3时容易欠拟合。PSO优化时我把搜索空间设成对数均匀分布或线性范围都行，但要注意粒子在边界附近的处理。

三个参数的优先级如果非要排个序，我个人的经验是：learning_rate影响整体收敛精度，max_depth影响模型容量上限，n_estimators影响最终拟合程度。它们不是独立变量，而是强耦合的，这恰恰就是PSO这种全局搜索算法发挥价值的地方——它天然会去探索参数组合的联合空间，而不是像网格搜索那样孤立地看待每个参数。

3. PSO优化XGBoost：核心思路、粒子编码与目标函数设计

3.1 粒子群算法的原理一句话版

粒子群优化算法模拟的是鸟群觅食行为。每只鸟在空间里到处飞，它参考两个信息来决定下一步往哪飞：一是自己飞过的最好位置（个体最优，记作pbest），二是整个鸟群发现的最好位置（群体最优，记作gbest）。

速度更新公式是PSO的灵魂：

code复制v[i] = w * v[i] + c1 * r1 * (pbest[i] - x[i]) + c2 * r2 * (gbest - x[i])

其中w是惯性权重，控制粒子保持原来的飞行速度；c1是认知因子，控制粒子飞向自己历史最优位置的倾向；c2是社会因子，控制粒子飞向群体最优位置的倾向；r1和r2是0到1之间的随机数，给搜索增加随机性。位置更新公式就是x[i] = x[i] + v[i]。

把XGBoost的超参数编码到粒子的位置向量里，每次迭代都训练一个XGBoost模型，用交叉验证得分作为粒子当前位置的适应度，就能让PSO在参数空间中自动找到合适的那组超参数。

3.2 把三维参数空间编码成粒子

这个项目只优化三个参数，所以每个粒子的位置就是一个三维向量：

code复制粒子 = [n_estimators, max_depth, learning_rate]

但这里有个细节必须处理好：三个参数的取值范围和量纲差异很大。n_estimators的取值范围是50到500这样的整数，max_depth是2到8的整数，learning_rate是0.01到0.3的小数。如果直接把原始值丢进PSO，距离计算会完全被n_estimators主导，learning_rate的变化在欧氏距离里几乎不体现，PSO的搜索效率会大打折扣。

通常做法是先把参数归一化到统一的区间，比如[0,1]，在粒子更新完位置后再反映射回真实参数范围。XGBoost的三个参数在实际使用时都要能取连续值，其中n_estimators和max_depth最后要四舍五入为整数，learning_rate保留精度即可。

3.3 适应度函数：如何评估一组参数是好是坏

每个粒子的位置对应的就是一组XGBoost超参数，适应度函数要做的事情是：用这组超参数训练模型，然后给出一个量化评分。

直接用测试集评分肯定不行，那样相当于把测试集的信息透给了优化器，最终模型的评估就失真了。正确做法是用交叉验证的平均得分作为适应度。具体到时间序列场景，我建议用TimeSeriesSplit的负均方误差或负均方根误差作为PSO的适应度，因为PSO默认是找最大值，负误差越大代表误差越小，逻辑更顺。

这里还有个优化技巧：不要只取交叉验证得分的平均值，可以把多次折的均值和标准差结合，比如适应度 = 平均得分 - 标准差。这样PSO不仅找"平均表现好"的参数，还会偏好"表现稳定"的参数。我在实践中发现，这个改动能显著降低最终模型在测试集上的方差，尤其当数据本身波动比较大的时候。

3.4 PSO自身的超参数设置

PSO不是没有参数，它的性能也受惯性权重、学习因子、粒子数和迭代次数影响。不过这些参数的设置相对成熟，经验值可以直接拿来用。

粒子数量在20到30之间就足够处理三维搜索空间。迭代次数30轮左右常见，每轮要训练n_estimators棵树并在多个折上做验证，时间成本要心里有数。如果算力紧张，粒子数降到10、迭代次数降到15也能得到一个明显优于默认参数的结果。

惯性权重w采用线性递减策略效果最好，从0.9逐渐降到0.4。前期w大，粒子速度快，搜索范围广；后期w小，粒子慢下来，局部精细搜索。c1和c2都设为1.5或2.0，随机因子r1、r2每次更新时重新采样。我在代码里会把PSO实现封装成一个类，方便复用和调试。

4. 交叉验证的时间序列适配：这步做错了全都白搭

4.1 普通K折为什么是时间序列预测的坑

很多初学者在这里翻车。直接用KFold或train_test_split随机划分数据来做交叉验证，在普通分类、回归任务上没问题，但在时间序列预测上这是致命的错误。

原因很简单：时间序列数据存在强时间自相关性，未来数据和历史数据之间有因果关系。如果你把第1000天的数据划分到训练集，把第100天的数据划分到验证集，模型就"看过"了未来的数据形态，验证得分会虚高，但部署到真实场景时，模型面对的是未知的未来，效果立刻打回原形。这就是数据泄漏最常见的形态之一。

我以前做过一个失败的案例：用普通K折调出来的参数，交叉验证RMSE是12，心里美滋滋，结果一到真实的滚动预测，RMSE直接跳到28。后来一查，问题就出在数据划分上，第3折的训练集里包含了比第4折验证集更晚的数据，时间信息完全乱了。从那以后，时间序列的交叉验证我只用顺序切分类的方法。

4.2 TimeSeriesSplit和Walk-Forward验证怎么选

TimeSeriesSplit是sklearn里专门处理这类问题的方法。它的切分逻辑是：训练集始终取时间轴上较早的数据，验证集取紧随其后的数据，且每次折的起始点会逐步向后平移，训练集规模随折数增大。

伪代码逻辑很直白：第一折用第1到k个样本训练，验证第k+1到2k个样本；第二折用第1到2k个样本训练，验证第2k+1到3k个样本，以此类推。这种切法保证了训练集的时间永远早于验证集。

另一种更贴近线上场景的方式是Walk-Forward验证（又称滚动前瞻验证）。它要求每次只前进一个固定步长，训练集窗口可以固定也可以扩展。它的优势是模拟了模型上线后的真实行为——每一步都只用过去的数据预测未来。缺点是计算开销大，因为要训练很多次。

在PSO-XGBoost的组合里，我倾向于用TimeSeriesSplit作为默认方案，因为PSO每轮要评估几十个粒子，如果每个粒子都做Walk-Forward多步验证，算力开销会翻好几倍。TimeSeriesSplit在效率和可靠性之间取得了比较好的平衡。

4.3 交叉验证如何真正抑制过拟合

交叉验证抑制过拟合的机制，说到底是"多次评估取平均"。单次划分随机性太大，一组参数在某一折上表现好可能是运气，但5折都表现好，就说明它在不同时间段的数据上都稳定，泛化能力靠谱。

还有一个容易被忽视的点：交叉验证结果本身可以指导防过拟合设置。比如你可以统计不同折上验证误差的标准差，如果标准差很大，说明模型在时间维度上的稳定性差，即使平均误差不大，也要警惕。这种情况下可以降低max_depth，提高正则化参数，或者减少n_estimators。

我在实际代码里还会在每个折内部开启early_stopping，让XGBoost根据验证集表现自动确定最优树数量，而不是让PSO去硬编码一个n_estimators。这样设计有个好处：PSO只需要关心max_depth和learning_rate这两个"全局性"参数的组合，n_estimators由每折内部的验证集动态决定，既省时间又更合理。完整项目里我仍然会把n_estimators范围上限作为粒子维度之一，但实际生效的树数量以early stopping的结果为准。

5. 完整实操：从数据准备到PSO-XGBoost全流程跑通

5.1 数据准备：多变量特征怎么构建

多变量时间序列预测的输入不能直接丢原始序列给XGBoost，需要先构造特征矩阵。最常用的方法是滑动窗口法：用过去step_window个时间步的所有变量，作为当前时刻的特征，预测目标变量在未来的horizon步的值。

假设原始数据有3个变量，窗口大小设为5，那么每个预测样本的特征就是3×5=15个，再加上时间相关的辅助特征（比如月份、星期几、小时数），总共可能十几个到几十个特征。XGBoost能自动处理特征之间的交互，不用你做太多特征工程。

特征构造好后，必须做标准化。尤其多变量数据的量纲差异大，比如温度是0到40，风速是0到15，功率可能是几千万。XGBoost虽然对特征尺度不太敏感，但标准化后PSO的训练速度会更快，梯度计算也更稳定。我习惯用MinMaxScaler把所有特征缩放到0到1之间，目标变量单独用一个scaler，预测完再反变换回去。

5.2 自定义PSO优化器的Python实现

我习惯自己写PSO而不是直接调库。理由很简单：自定义版本可以灵活控制参数边界、加入约束、记录完整寻优过程，方便可视化调试。代码量也不大，几十行就能搞定。

下面是一个适配三维XGBoost超参数搜索的PSO核心代码：

python复制import numpy as np
import xgboost as xgb
from sklearn.model_selection import TimeSeriesSplit
from sklearn.metrics import mean_squared_error
from sklearn.preprocessing import MinMaxScaler

class PSOOptimizer:
    def __init__(self, obj_func, dim, lb, ub, n_particles=20, max_iter=30):
        self.obj_func = obj_func
        self.dim = dim
        self.lb = np.array(lb)
        self.ub = np.array(ub)
        self.n = n_particles
        self.max_iter = max_iter
        self.w = 0.9
        self.w_min = 0.4
        self.c1 = 1.5
        self.c2 = 1.5
        
        self.X = np.random.uniform(self.lb, self.ub, (self.n, self.dim))
        self.V = np.random.uniform(-0.1, 0.1, (self.n, self.dim))
        self.pbest = self.X.copy()
        self.pbest_score = np.full(self.n, -np.inf)
        self.gbest = self.X[0].copy()
        self.gbest_score = -np.inf
        
    def update_velocity(self, iteration):
        # 线性递减惯性权重
        self.w = 0.9 - (0.9 - 0.4) * (iteration / self.max_iter)
        r1 = np.random.uniform(0, 1, self.V.shape)
        r2 = np.random.uniform(0, 1, self.V.shape)
        cognitive = self.c1 * r1 * (self.pbest - self.X)
        social = self.c2 * r2 * (self.gbest - self.X)
        self.V = self.w * self.V + cognitive + social
        # 速度限幅，防止粒子飞出搜索空间
        self.V = np.clip(self.V, -0.5, 0.5)
        
    def update_position(self):
        self.X = self.X + self.V
        self.X = np.clip(self.X, self.lb, self.ub)
        
    def fitness_batch(self):
        scores = np.zeros(self.n)
        for i in range(self.n):
            # 反归一化到真实参数范围
            n_est = int(round(self.X[i, 0]))
            depth = int(round(self.X[i, 1]))
            lr = self.X[i, 2]
            scores[i] = self.obj_func(n_est, depth, lr)
        return scores
    
    def run(self):
        history = []
        for t in range(self.max_iter):
            scores = self.fitness_batch()
            for i in range(self.n):
                if scores[i] > self.pbest_score[i]:
                    self.pbest_score[i] = scores[i]
                    self.pbest[i] = self.X[i].copy()
                if scores[i] > self.gbest_score:
                    self.gbest_score = scores[i]
                    self.gbest = self.X[i].copy()
            self.update_velocity(t)
            self.update_position()
            history.append(self.gbest_score)
            print(f"Iteration {t+1}/{self.max_iter}, best score: {self.gbest_score:.6f}")
        return self.gbest, self.gbest_score, history

这个类的关键在于fitness_batch方法：它负责把粒子位置转换成XGBoost的三个参数，然后调用预先定义好的目标函数计算适应度。PSO只关心数字的大小，不关心背后的模型训练细节，这种解耦设计让代码的复用性很强。

5.3 目标函数和完整训练流程

目标函数是整个流程的动力来源。它接收三个参数，返回一个适应度值（越大越好）。我通常用负均方误差作为输出：

python复制def build_objective(X_train, y_train, n_splits=5):
    tscv = TimeSeriesSplit(n_splits=n_splits)
    
    def objective(n_estimators, max_depth, learning_rate):
        scores = []
        for train_idx, val_idx in tscv.split(X_train):
            X_tr, X_val = X_train[train_idx], X_train[val_idx]
            y_tr, y_val = y_train[train_idx], y_train[val_idx]
            
            model = xgb.XGBRegressor(
                n_estimators=n_estimators,
                max_depth=max_depth,
                learning_rate=learning_rate,
                subsample=0.8,
                colsample_bytree=0.8,
                reg_lambda=1.0,
                eval_metric="rmse",
                early_stopping_rounds=20,
                random_state=42,
                n_jobs=-1
            )
            model.fit(
                X_tr, y_tr,
                eval_set=[(X_val, y_val)],
                verbose=False
            )
            y_pred = model.predict(X_val)
            rmse = np.sqrt(mean_squared_error(y_val, y_pred))
            scores.append(-rmse)  # 负RMSE，越大越好
        return np.mean(scores) - np.std(scores)  # 均值-标准差，综合评价
    return objective

完整流程整理如下：

1. 加载原始多变量时间序列数据，按时间排序。
2. 用滑动窗口构造特征矩阵X和目标向量y，划分训练集和测试集，测试集取时间上最后一段。
3. 对X和y做MinMaxScaler标准化。
4. 定义PSO搜索边界：lb=[50, 2, 0.01]，ub=[500, 8, 0.3]。
5. 实例化PSOOptimizer，传入目标函数，运行优化。
6. 取最优参数，在完整训练集上重新训练XGBoost。
7. 在测试集上预测，反标准化，用RMSE、MAE、R2等指标评估。

5.4 评估结果怎么横向对比

效果好不好，不能只报一个测试集分数，要和基线对比。我一般做三组对比：

第一组是默认参数XGBoost。XGBoost默认的learning_rate=0.3、max_depth=6、n_estimators=100，在多数时间序列任务上会轻微过拟合，这个基线值就是"不调参的下限"。

第二组是手工调参XGBoost。根据经验大概调一轮，比如learning_rate取0.05，max_depth取4，n_estimators取300。这代表了大多数人的日常水准。

第三组是PSO-XGBoost。用交叉验证得分作为选择依据，最终参数喂给模型。

对比表通常是这样的：

PSO版本通常能在更短的时间内达到比手工调参更好的精度。原因在于它搜索的是参数组合的联合空间，会自动匹配learning_rate和n_estimators之间的联动关系，而手工调参往往是逐个参数试，容易错过组合最优解。

6. 常见问题与排查技巧实录

6.1 PSO不收敛或收敛极慢怎么办

症状是迭代了十几轮，gbest的分数几乎没变化，或者变化幅度极其微小。排查顺序如下：

先看粒子初始化有没有落在合理区域。如果初始位置都在搜索空间边界附近，粒子飞行的有效范围就很小，很难找到更好的位置。我习惯用随机均匀初始化加大范围扰动，确保粒子的初始分布覆盖整个搜索空间。

再看惯性权重。如果w固定为0.9且全程不变，后期粒子速度依然很快，无法做精细搜索。用线性递减策略能明显改善收敛。另外c1和c2都设成1.5时，粒子既会探索自己的历史区域，也会向全局最优靠拢，平衡性比较好。如果c1过大，粒子只在自己的小区域里打转，全局搜索能力差；如果c2过大，所有粒子过早冲到gbest附近，容易陷入局部最优。

还有个经常被忽略的点：适应度函数本身可能太平滑。如果交叉验证的折数太少，比如只有3折，评估方差太大，PSO收到的反馈信号噪声强，收敛就会很慢。把n_splits调到5到10之间，适应度信号会更稳定，优化过程也更顺畅。

6.2 交叉验证得分不错但测试集翻车，到底哪里漏了

这是最让人头疼的情况。几个排查方向：

第一，检查是否有数据泄漏。特征构造时是否用了未来信息？比如做了全局StandardScaler拟合，但scaler是在全量数据上拟合的，训练集和测试集都被scaler"看过"，这本身不是大问题，但如果你在归一化之前就切分了数据，那泄漏风险就小很多。重点检查特征里有没有包含目标变量的未来值。

第二，检查测试集的时间分布是否和训练集差异过大。如果数据存在概念漂移，比如用户行为模式发生变化，任何交叉验证都救不了。这种情况下可以引入更近的历史数据，或者用滚动窗口训练让模型持续适应新分布。

第三，检查PSO的适应度是否只用了均值的近优解。我加的那项"均值减去标准差"惩罚项就是防止参数在某些时间段运气好、在其他时间段表现差。如果你没加标准差惩罚，赶紧加上，效果立竿见影。

6.3 训练时间太长，怎么把时间成本降下来

PSO每次迭代要评估20到30个粒子，每个粒子都要做5折交叉验证，每折要训练一个XGBoost。总训练次数是20×30×5=3000次，如果n_estimators上限是500，数据量再大点，时间开销确实不小。

我的优化三板斧：

第一，把n_estimators范围缩小，比如从50到300，配合early_stopping让多余的树自动被截断。early_stopping的耐心值不要太大，20轮就够，否则还是浪费。

第二，早期迭代阶段用粗评估。给PSO前面10轮迭代用3折交叉验证，后20轮用5折。粗评估快，能快速淘汰差区域，后期精评估保证最终结果可靠。这种做法在实践里能省近一半时间。

第三，PSO粒子数动态缩减也可以考虑。前10轮用30个粒子，后20轮用15个。粒子在后期基本都集中在gbest附近，少几个粒子影响不大。不过这个要谨慎，如果你发现最终结果不稳，还是老老实实全程保持25个粒子。

6.4 常见问题速查表

7. 几个实操心得和后续扩展方向

我自己的体会是，PSO-XGBoost这个组合最值钱的地方不是某个具体参数，而是它帮你建立了一套"用算法替代手工试错"的思维方式。现在很多人在调参这件事上还停留在早年间的手工阶段，看见参数就手痒，试了一轮又一轮，时间和精力全耗在无意义的排列组合上。实际上像这样把搜索过程算法化，让机器自己去找最优联合参数区间，效果更好，可复现性也更强。

还想分享一个我自己压箱底的小技巧：每次PSO跑完后，不要只看gbest那组参数，把历代粒子位置和得分全部记录下来，画出参数分布热力图。你会发现有些区域虽然分数不是最高，但周围大面积都表现良好——这种参数组合在生产环境里反而更值得用，因为它抗扰动能力强。纯最优解在真实数据上可能因为噪声波动而翻车，但稳定区域内的参数通常更耐操。

这个项目后续扩展空间很大。比如把PSO换成贝叶斯优化，处理高维参数空间时会更快收敛；或者在目标函数里加入模型复杂度惩罚项，让优化器主动选更简单的参数组合；再比如把单步预测改成多步递归预测，配合滚动训练策略做成一个完整的在线预测系统。时间序列预测永远没有一劳永逸的方案，但有了这套自动调参的框架，换个数据集、换个场景，基本都能快速跑通并得到一个还不错的基线。