在Scikit-learn中，可以使用GridSearchCV或RandomizedSearchCV來實現模型的自我優化。這兩個方法可以幫助我們在指定的參數范圍內搜索最優的模型參數。

1. GridSearchCV：GridSearchCV會遍歷所有參數組合，在給定的參數網格中搜索最優的參數組合。使用GridSearchCV時，需要先定義一個參數的字典，然后將這個字典作為參數傳遞給GridSearchCV。最后，調用fit方法來擬合模型并找到最佳參數。

示例代碼如下：

from sklearn.model_selection import GridSearchCV

param_grid = {
    'param1': [value1, value2, ...],
    'param2': [value1, value2, ...],
    ...
}

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

best_params = grid_search.best_params_
best_model = grid_search.best_estimator_

2. RandomizedSearchCV：RandomizedSearchCV會在參數的隨機組合中進行搜索，可以通過設置n_iter參數來控制搜索次數。使用方法和GridSearchCV類似，只是傳遞的參數為分布對象。

示例代碼如下：

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

param_dist = {
    'param1': randint(1, 100),
    'param2': randint(1, 100),
    ...
}

random_search = RandomizedSearchCV(estimator=your_model, param_distributions=param_dist, n_iter=10, cv=5)
random_search.fit(X_train, y_train)

best_params = random_search.best_params_
best_model = random_search.best_estimator_

通過使用GridSearchCV或RandomizedSearchCV，我們可以有效地搜索最優的模型參數，從而實現模型的自我優化。