我正在尝试通过Gridsearch搜索最佳参数来优化模型（使用MLP，LSTM等进行时间序列预测）。我按比例缩放了数据，但是当我运行Gridsearch时，训练期间（两个mse的）损失分值比如果不使用gridsearch时的得分高得多。

没有Gridsearch，我正在做一个简单的火车测试拆分（70/30）。 使用Gridseach，我实现了TimeSeriessplit。

tscv = TimeSeriessplit(n_splits=3)
for train_index,test_index in tscv.split(X):
    X_train,X_test = X[train_index],X[test_index]
    y_train,y_test = y[train_index],y[test_index]

def deep_learning_create(units,batch_s):
    model=Sequential()
    model.add(Dense(units,activation='relu'))
    model.add(Dense(1))

    optimizer=optimizers.RMSprop()
    model.compile(optimizer='adam',loss='mean_squared_error',metrics=['acc'])

    return model

model=KerasClassifier(build_fn=deep_learning_create,verbose=1)
#Random Search for optimal hyper-paramters
params_grid_DeepLearning={'layers_num':[1],'units':[16],'learning_rate':[0.01],'batch_size':[32,64,128],'epochs':[100]}

random_model=GridSearchCV(model,params_grid_DeepLearning,n_jobs=1,cv=tscv,refit=True,verbose=2)

random_model.fit(X_train,y_train)

没有Gridsearch

史诗1/100  -0秒-损失：0.0325-acc：0.0053 时代2/100  -0s-损失：0.0116-acc：0.0053

使用GridSearch

史诗1/100 101/101 0s 642us / step-损失：3254.1907-acc：0.0099