第二十三天，我們要進入機器學習工程師最關鍵的調校利器——交叉驗證（Cross-Validation） 與 超參數網格搜尋（GridSearchCV）。在前面的篇章中，我們只用單次 train_test_split 切分訓練集與測試集，但單次切分很可能因為「運氣好（抽到簡單資料）」或「運氣差（抽到極端樣本）」而產生評估偏差。此外，模型的超參數（如隨機森林的樹木數量、決策樹的最大深度）往往需要嘗試多種排列組合才能找出最佳解。今天我們建立純 Python 腳本 day23_gridsearch_cv.py，掌握 5-Fold 交叉驗證 的評估流程，並自動搜尋出表現最優異的模型超參數組合。

第一部分
新建 day23_gridsearch_cv.py。首先載入紅酒品質分類資料集（Wine Dataset），並使用 cross_val_score 示範 5-Fold 交叉驗證的運作原理——將資料分成 5 份，輪流以 4 份訓練、1 份驗證，最後計算平均準確率與標準差：

第二部分
接著進行全自動調參。我們使用 GridSearchCV，針對隨機森林定義參數網格字典（param_grid），測試不同數量的樹（n_estimators）以及最大深度（max_depth）的組合。GridSearchCV 會自動為每種組合執行 5 次交叉驗證，並選出整體泛化能力最好的參數配置：

第三部分
取得最佳模型 best_estimator 後，使用從未參與過調參的獨立測試集 Xtest 驗證其最終預測表現，並將調參過程中的主要參數表現繪製成熱力圖（Heatmap）進行可視化分析：

第四部分
在終端機輸入 python day23_gridsearch_cv.py 執行驗證，確認 160 次交叉驗證運算完成，終端機輸出最佳參數與最終準確率，且圖片 day23_gridsearch_heatmap.png 順利產出。確認存檔（Ctrl + S）後推送到 GitHub 進行版本控制：

今日心得/遇到的問題
今天學會了機器學習調參最專業的標準做法。以往如果只看單次切分的成績，很容易因為剛好分到容易預測的測試資料而給予模型過高的評價；透過 K-Fold 交叉驗證，能將資料利用率最大化並取得穩定可靠的泛化指標。而 GridSearchCV 搭配 n_jobs=-1 更是大幅解放雙手，能讓電腦自動跑完全部排列組合並回傳最佳模型，搭配熱力圖更能一眼看出「深度多深、樹木多大」能帶來邊際效應最大化。