Sklearn-genetic-opt

用遗传算法自动调参，告别网格搜索的低效

sklearn-genetic-opt 是一个面向 scikit-learn 的超参数优化与特征选择工具，采用进化算法（如遗传算法）自动搜索最佳模型配置。它解决了传统网格搜索和随机搜索在参数空间大时效率低、易陷入局部最优的问题，提供了一种更智能的调参方式。核心能力包括：支持自定义遗传算法参数（如种群大小、变异率）、内置多种进化策略、可与 scikit-learn 的 Pipeline 无缝集成、提供日志与可视化功能。用户只需定义参数搜索范围，即可自动迭代寻找最优超参数组合，同时支持特征选择以提升模型性能。该项目适合机器学习工程师和数据科学家在模型开发阶段快速找到高质量参数配置。

开源 free 基础设施

访问官网 ↗ GitHub ↗ 文档 ↗

GitHub 星标 ★ 389

维护状态维护中

是否开源是

定价模式 free

项目数据

分类基础设施

开发团队rodrigo-arenas

所属国家

官网地址https://sklearngeneticopt.rodrigo-arenas.com

GitHubhttps://github.com/rodrigo-arenas/Sklearn-genetic-opt

定价模式free

价格说明开源项目，MIT许可证，完全免费，无付费版本。

访问状态

是否开源是

开源协议MIT

主要语言Python

技术栈/模型artificial-intelligence,automl,cross-validation,evolutionary-algorithms,feature-engineering,feature-selection,grid-search,hyperparameter-optimization,machine-learning,mlops,model-optimization,model-selection,python,scikit-learn,sklearn

GitHub 星标★ 389

30天Star增速

HF 下载量

上线时间2020-01-18 00:00:00

最近更新2026-09-13 00:00:00

维护状态维护中

中文支持

访问方式

移动端支持

综合评分

收录时间2026-08-09

浏览次数5

使用教程

核心亮点

相比 GridSearchCV，能更高效地探索大参数空间，避免穷举
与 scikit-learn 的 Pipeline 和估计器无缝集成，上手简单
提供可视化日志，方便跟踪优化过程

不足之处

文档/社区待观察
项目星标较少，生态成熟度可能不足

适用场景

机器学习模型超参数调优
特征选择以提升模型泛化能力
在参数空间庞大时替代网格搜索

替代项目

Optuna、Hyperopt、Scikit-Optimize

项目介绍

Sklearn-genetic-opt 是模型训练领域的开源项目，由 rodrigo-arenas 开发，2020 年首次发布。

它收录于模型训练分类，该分类目前共有 518 个项目，GitHub 星标数为 389。

项目仍在小幅维护中，最近一次代码更新于 2026-09-13。MIT许可证，完全免费，无付费版本。

它主要面向的使用场景是：机器学习模型超参数调优。同类可对比的替代方案包括 Optuna、Hyperopt、Scikit-Optimize。

上一篇：traceml

下一篇：rlix