在Python中，有多種方法可以優化機器學習模型的參數。以下是一些常用的方法：

1. 網格搜索（Grid Search）：通過遍歷給定的參數組合，使用交叉驗證評估每個組合的性能，從而找到最佳參數組合。在Python中，可以使用sklearn.model_selection.GridSearchCV實現網格搜索。

from sklearn.model_selection import GridSearchCV
from sklearn.ensemble import RandomForestClassifier

param_grid = {
    'n_estimators': [10, 50, 100],
    'max_depth': [None, 10, 20, 30],
    'min_samples_split': [2, 5, 10]
}

rf = RandomForestClassifier()
grid_search = GridSearchCV(estimator=rf, param_grid=param_grid, cv=5)
grid_search.fit(X_train, y_train)

2. 隨機搜索（Random Search）：與網格搜索類似，但參數是從給定的分布中隨機采樣的。這通常比網格搜索更快，尤其是在參數空間很大時。在Python中，可以使用sklearn.model_selection.RandomizedSearchCV實現隨機搜索。

from sklearn.model_selection import RandomizedSearchCV
from scipy.stats import randint

param_dist = {
    'n_estimators': randint(10, 200),
    'max_depth': randint(10, 50),
    'min_samples_split': randint(2, 20)
}

rf = RandomForestClassifier()
random_search = RandomizedSearchCV(estimator=rf, param_distributions=param_dist, n_iter=100, cv=5)
random_search.fit(X_train, y_train)

3. 貝葉斯優化：一種更高級的參數優化方法，它使用貝葉斯推理來找到最佳參數組合。在Python中，可以使用sklearn.model_selection.BayesSearchCV實現貝葉斯優化。

from sklearn.model_selection import BayesSearchCV
from skopt import BayesSearchCV as BSCV

param_space = {
    'n_estimators': (10, 200),
    'max_depth': (None, 50),
    'min_samples_split': (2, 20)
}

rf = RandomForestClassifier()
bayes_search = BSCV(estimator=rf, search_spaces=param_space, cv=5, n_iter=100)
bayes_search.fit(X_train, y_train)

4. 學習率調整：對于某些機器學習算法（如梯度提升樹），可以通過調整學習率來優化模型性能。在Python中，可以使用sklearn.model_selection.GridSearchCV或sklearn.model_selection.RandomizedSearchCV結合學習率參數進行調整。

param_grid = {
    'n_estimators': [10, 50, 100],
    'learning_rate': [0.01, 0.1, 0.2],
    'max_depth': [None, 10, 20, 30],
    'min_samples_split': [2, 5, 10]
}

rf = GradientBoostingClassifier(learning_rate=None)
grid_search = GridSearchCV(estimator=rf, param_grid=param_grid, cv=5)
grid_search.fit(X_train, y_train)

5. 使用自動超參數優化庫：除了上述方法外，還有一些自動超參數優化庫可以幫助您找到最佳參數組合，例如optuna和hyperopt。

總之，選擇哪種方法取決于您的具體需求和問題。在實際操作中，可以嘗試多種方法并比較它們的性能，以找到最適合您的模型參數的優化方法。