超参数搜索算法一般包括以下要素：
- 目标函数，即算法需要最大化、最小化的目标；
- 搜索范围，一般通过上限和下限来确定；
- 算法的其他参数
网格搜索
最简单，应用最广泛的超参数搜索算法
通过查找搜索范围内的所有的点来确定最优值
如果采用较大的搜索范围以及较小的步长，网格搜索有很大概率找到全局最优值
这种搜索方案十分消耗计算资源和时间，特别是需要调优的超参数比较多的时候
实际应用中，网格搜索法一般会先使用较广的搜索范围和较大的步长，来寻找全局最优值可能的位置，然后逐渐缩小搜索范围和步长，来寻找更精确的最优值
随机搜索
随机搜索的思想与网格搜索比较相似，只是不再测试上界和下界之间的所有值，而是在搜索范围中随机选取样本点
其理论依据是，如果样本点集足够大，通过随机采样也能大概率地找到全局最优值，或者近似值
随机搜索一般会比网格搜索要快一些，但是和网格搜索的快速版一样，结果也是没法保证的
贝叶斯优化
贝叶斯优化算法在寻找最优最值参数时，采用了网格搜索、随机搜索完全不同的方法
网格搜索和随机搜索在测试一个新点时，会忽略前一个点的信息
贝叶斯优化算法则充分利用了之前的信息
贝叶斯优化算法通过对目标函数形状进行学习，找到使目标函数向全局最优值提升的参数
学习目标函数形状的方法是，首先根据先验分布，假设一个搜索函数，然后，每一次使用新的采样点来测试目标函数时，利用这个信息来更新目标函数的先验分布；最后，算法测试由后验分布给出的全局最值最可能出现的位置的点
贝叶斯优化算法，一旦找到一个局部最优值，会在该区域不断采样，所以很容易陷入局部最优值
为了弥补这个缺陷，贝叶斯优化算法会在探索和利用之间找到一个平衡点，“探索”就是在还未取样的区域获取采样点；而“利用”则是根据后验分布在最可能出现全局最值的区域进行采样