這一題不用跑程式，也不用懂紅酒。你只需要抓對一件事：GridSearchCV 把 param_grid 攤開成幾種組合、每種組合又各被訓練幾次——以及 refit=False 那一行，有沒有偷偷多送你一次 fit。乘法抓對，答案就出來了；乘錯一步，就會掉進另外三個選項。
Wine 分類任務以 RandomForestClassifier 進行網格搜尋，程式如下；本題不計搜尋完成後另行重訓，因此設定 refit=False。交叉驗證期間總共會執行多少次模型 fit？
from sklearn.datasets import load_wine # 從 sklearn 的資料集抽屜，拿出「載入紅酒資料」的工具 from sklearn.ensemble import RandomForestClassifier # 拿出隨機森林分類器 from sklearn.model_selection import GridSearchCV # 拿出網格搜尋工具（本題主角） X_wine, y_wine = load_wine(return_X_y=True) # 載入資料：X 是特徵、y 是答案 param_grid = { # 開一本「候選值菜單」（字典） "n_estimators": [100, 200, 400], # 樹的數量：3 個候選值 "max_depth": [None, 5, 10, 20], # 樹的深度上限：4 個候選值 "max_features": ["sqrt", "log2"] # 分岔時看幾個特徵：2 個候選值 } # 菜單寫完，大括號收起來 search = GridSearchCV( # 組一台搜尋機，取名 search RandomForestClassifier(random_state=42), # 要被反覆訓練的模型 param_grid=param_grid, # 把菜單交給它 cv=5, # 每種組合都做 5 折交叉驗證 refit=False # 搜完不自動重訓最後一次 ) # 設定收尾——還沒開始跑 search.fit(X_wine, y_wine) # 按下開關：fit 從這裡開始算
你幫全公司訂手搖飲，想找出最好喝的一杯：茶底有幾種、甜度有幾種、冰塊有幾種。最老實的辦法就是把每一種搭配都實際做一杯出來喝喝看，一種都不跳過——這就是網格搜尋（Grid Search）。「網格」的意思是：把每個選項的候選值排成一格一格的表，然後逐格全部試過。
機器學習裡，「茶底、甜度、冰塊」對應的是模型的超參數——像隨機森林要種幾棵樹（n_estimators）、每棵樹最多長幾層（max_depth）。這些數字模型自己學不出來，只能由你先決定；而「哪一組最好」很難用猜的，所以 sklearn 提供 GridSearchCV：你開出菜單（param_grid），它幫你逐一「試喝」。
點擊後出現漸進式說明：白話說明 → 說清楚一點 → 常見錯誤與考點。
點擊後出現漸進式說明。
十六行，一行一行走完。右上角的「看位置」可以把這一行放回完整程式裡看。
這題的程式一半都在跟括號打交道，先把三種括號的分工弄清楚，後面會順很多。
{ "n_estimators": [100, 200, 400] } 大括號 { } ＝ 字典：「名字 → 內容」的對照表
[100, 200, 400] 中括號 [ ] ＝ 串列：一排照順序放的東西
GridSearchCV(...) 小括號 ( ) ＝ 呼叫：叫這個工具開始做事
from sklearn.datasets import load_wine # 只拿 load_wine 這一支工具出來
from A import B 的意思是「去 A 那個抽屜裡，只把 B 拿出來」。sklearn.datasets 是 scikit-learn 附的內建資料集抽屜，裡面放著練習用的小資料：紅酒（load_wine）、鳶尾花（load_iris）、乳癌（load_breast_cancer）、手寫數字（load_digits）⋯⋯
為什麼教學都愛用內建資料集？因為不用下載、不用清理、一行就能開始。它們都很小（本題的紅酒只有 178 筆），跑起來快，適合拿來練「流程」而不是練「資料工程」。
注意這一行只是把工具拿出來放桌上，還沒有真的載入資料——真正動手是第 4 行呼叫它的時候。
from sklearn.ensemble import RandomForestClassifier # 拿出「隨機森林」這個模型
sklearn.ensemble 是「集成方法」的抽屜——把很多個小模型合起來投票的那一類演算法都住在這裡。隨機森林就是最有名的一個：種一大群決策樹，每棵樹各自判斷，最後多數決。
名字直接拆開讀就懂：Random（隨機）＝每棵樹拿到的資料和特徵都刻意隨機打亂，讓樹長得不一樣；Forest（森林）＝樹很多；Classifier（分類器）＝做的是分類題。字尾如果是 Regressor，就是做預測數值的迴歸題。
之所以要介紹它，是因為待會 param_grid 裡的三個參數，全部都是這座森林的「造林規格」：種幾棵樹、每棵長多高、分岔時看幾個特徵。
from sklearn.model_selection import GridSearchCV # 拿出網格搜尋工具
sklearn.model_selection 是「模型挑選」的抽屜：切訓練測試集（train_test_split）、交叉驗證（cross_val_score、StratifiedKFold）、搜參數（GridSearchCV、RandomizedSearchCV）都在這裡。
把 GridSearchCV 這個名字拆成三段，本題的解法其實已經寫在裡面：
Grid 網格 → 把 param_grid 攤開成一格一格的候選組合 Search 搜尋 → 每一格都老實試過，一格都不跳 CV 交叉驗證 → 每一格都用 k 折來評分（本題 k = 5）
也就是說，看到 GridSearchCV 這個名字，就要反射性想到「格子數 × 折數」這個乘法——這正是本題唯一要考的東西。
X_wine, y_wine = load_wine(return_X_y=True) # 178 瓶酒的特徵與答案，分兩包接住
這一行真的去載入資料了。return_X_y=True 的意思是「直接回傳（X, y）兩包，不要包成一個大物件」；等號左邊用逗號寫了兩個名字，Python 就會照順序一次接住兩包——第一包給 X_wine、第二包給 y_wine。
X 是題目、y 是答案：X_wine 是一張 178 列 × 13 欄的大表格，每一列是一瓶酒、每一欄是一個化學檢測值；y_wine 是 178 個答案（0、1、2），代表這瓶酒來自三個品種中的哪一個。
X_wine.shape = (178, 13)、三個類別各有 59 / 71 / 48 瓶。13 個特徵是酒精濃度、蘋果酸、灰分、鎂、總酚、類黃酮、色澤強度、脯胺酸⋯⋯等化學檢測值。13 這個數字待會有戲份——第 8 行的 "sqrt" 和 "log2" 要用它來換算。param_grid = { # 大括號＝字典：開一本菜單
"n_estimators": [100, 200, 400], # 森林要種幾棵樹：3 個候選
"max_depth": [None, 5, 10, 20], # 每棵樹最多長幾層：4 個候選
"max_features": ["sqrt", "log2"] # 分岔時抽幾個特徵來比：2 個候選
} # 菜單寫完這五行做出一個字典，取名 param_grid。字典的每一筆都是「參數名（字串）→ 候選值（串列）」：
第 6 行 "n_estimators"：森林要種幾棵樹。候選 [100, 200, 400]，3 個值。
第 7 行 "max_depth"：每棵樹最多長幾層。候選 [None, 5, 10, 20]，4 個值——None 也算一個正式的候選值，意思是「不設上限，讓樹自然長到底」。
第 8 行 "max_features"：每次分岔時，隨機抽幾個特徵出來比較。候選 ["sqrt", "log2"]，2 個值，分別代表「取特徵數的平方根」與「取特徵數的以 2 為底對數」。
"n_estimator" 少個 s）不會默默被忽略，fit 時會直接噴 ValueError: Invalid parameter——這其實是好事，錯誤越早爆越好。None 是 Python 的正式值，不是「沒有填」。它在候選名單裡佔一個名額，算組合數時要數進去——很多人第 7 行只數到 3 個，就是把 None 漏掉了。讀法示範：param_grid["max_depth"] 唸作「param_grid 這本菜單裡，max_depth 那一頁」，翻開會看到 [None, 5, 10, 20] 四個候選。
search = GridSearchCV( # 開始組搜尋機（括號先不關） RandomForestClassifier(random_state=42), # 第一個材料：要被反覆訓練的模型
第 10 行開始呼叫 GridSearchCV(...) 並把成品存進變數 search。括號裡的第一個材料（第 11 行）是要被反覆訓練的模型本體——一台設定好 random_state=42 的隨機森林。
注意這台森林「沒有」寫 n_estimators、max_depth、max_features。這不是漏寫——這三個位子就是故意空下來的，待會搜尋時，GridSearchCV 會把菜單裡的候選值一組一組填進去。而且它每次都會先 clone 出一台全新的、乾淨的模型再填再訓練，不會沿用上一輪的訓練結果。
random_state=42 是「固定隨機種子」：隨機森林裡有很多抽籤動作（抽資料、抽特徵），固定種子後每次重跑抽出來的都一樣，結果才能重現。42 沒有魔力，只是個大家愛用的哏。
第 10 行行尾的括號沒有關起來——Python 規定括號沒關完就可以一直換行寫下去，所以第 10 到 15 行其實是「同一句話」，只是排版排得比較好讀。
param_grid=param_grid, # 左邊是參數名、右邊是我們第 5 行做的字典
這一行長得有點繞口：param_grid=param_grid。其實是兩個不同的東西剛好同名——等號左邊是 GridSearchCV 的關鍵字引數名稱（它規定這個欄位就叫 param_grid）；等號右邊是我們自己在第 5 行取名的那本字典。
像寄包裹：包裹單上有一格印好的欄位叫「品名」，你在格子裡填上自己包裹的名字。欄位名和包裹名剛好一樣，只是巧合（也是慣例——大家都把那本字典取名叫 param_grid）。把第 5 行的字典改名叫 menu，這一行寫成 param_grid=menu 也完全合法。
cv=5, # 每種組合都做 5 折交叉驗證
cv=5 指定每一種參數組合都要做 5 折交叉驗證：把 178 瓶酒切成 5 份，輪流留 1 份當考題、其餘 4 份拿去訓練——每一輪都是一次全新的 fit，然後在留下的那份上打分數。5 輪的平均分，就是這個組合的成績。
對分類問題傳整數給 cv，sklearn 會自動改用分層版 StratifiedKFold：每一折裡三個品種的比例都跟整體幾乎一樣，不會出現「某一折剛好都是同一種酒」的不公平考題。
refit=False # 搜完不自動用最佳參數重訓一次 ) # 括號關起來，search 組裝完成
refit 的預設值是 True：搜尋結束後，GridSearchCV 會自動拿「成績最好的那組參數」，用全部資料再訓練最後一次，把成品掛在 best_estimator_ 上讓你直接拿去預測。那一次不屬於交叉驗證，是搜尋結束後的加碼。
本題寫成 False，就是「搜完就停，只留成績單」。題目那句「本題不計搜尋完成後另行重訓」講的正是這件事——出題者把 refit 關掉，是為了讓「總 fit 次數」只剩交叉驗證這一段，答案乾乾淨淨。
第 15 行的 ) 把第 10 行開的括號關起來——這句長達六行的「組裝指令」到此結束。到目前為止還是一次 fit 都沒有發生，我們只是把機器組好了。
search.fit(X_wine, y_wine) # 本題問的「fit 次數」就是從這裡開始數
前面 15 行全部只是「設定」。這一行才是按下開關：GridSearchCV 接過全部資料，開始它的固定流程——把每一種參數組合，在每一折上各訓練一次、評分一次，全部做完才把成績整理進 cv_results_。
有趣的是這裡呼叫的 .fit() 跟一般模型的 .fit() 長得一模一樣——sklearn 刻意讓「搜尋器」用起來像「一個模型」。差別在於：一般模型的 fit 訓練一次，search 的 fit 裡面裝著一大串 fit。
verbose=1 打開重跑一次，GridSearchCV 自己印出了這一行——Fitting 5 folds for each of 24 candidates, totalling 120 fitsGridSearchCV 拿到菜單後做的第一件事，是把它攤開成所有可能的搭配：從每個參數的候選裡各挑一個值，湊成一組完整的設定，這叫一個「候選組合（candidate）」。數學上這是三個串列的笛卡兒積，講白話就是連乘：
n_estimators 有 3 種選法（100 / 200 / 400） max_depth 有 4 種選法（None / 5 / 10 / 20） max_features 有 2 種選法（sqrt / log2） 組合數 = 3 × 4 × 2 = 24 種 為什麼是「乘」不是「加」？——因為每一種樹數量，都要配上每一種深度， 再配上每一種特徵抽法。就像 3 種茶底 × 4 種甜度 × 2 種冰塊 = 24 種飲料。
len(search.cv_results_["params"]) 會告訴你候選組合數——本站實跑回傳 24。成績單 cv_results_ 就是一張 24 列的表，一列一個組合。注意 24 還不是答案——它只是第一個乘法，每個組合接下來還要各考 5 次試。24 種組合排好隊之後，GridSearchCV 對每一種都執行同一套儀式——5 折交叉驗證：
一個組合的 5 折之旅（以 178 瓶酒、cv=5 為例）： 第 1 折： 用第 2~5 份共 142 瓶 fit 一次 → 拿第 1 份 36 瓶考試打分 第 2 折： 用其餘 142 瓶 fit 一次 → 拿第 2 份 36 瓶考試打分 第 3 折： 用其餘 142 瓶 fit 一次 → 拿第 3 份 36 瓶考試打分 第 4 折： 用其餘 143 瓶 fit 一次 → 拿第 4 份 35 瓶考試打分 第 5 折： 用其餘 143 瓶 fit 一次 → 拿第 5 份 35 瓶考試打分 → 一個組合吃掉 5 次 fit；5 個分數平均，就是它的總成績
重點有三個。第一，每一折都是從零開始的全新訓練——sklearn 每次都先 clone 一台乾淨的模型，絕不沿用上一折學到的東西，所以 5 折就是紮紮實實的 5 次 fit。第二，每次 fit 用的是 142～143 瓶（五分之四），不是全部 178 瓶。第三，24 種組合各自獨立地做完這套，於是：
totalling 120 fits 一致。單執行緒跑了 47.5 秒；順帶一提，這 120 次 fit 裡森林總共種出了 28,000 棵決策樹（每個 n_estimators 值各出現在 8 個組合 × 5 折裡：5 × 8 × (100+200+400)）。.fit() 被呼叫幾次，不是森林裡有幾棵樹。交叉驗證做完，GridSearchCV 手上只有一張成績單——它知道哪一組參數平均分最高，但還沒有任何一台「用最佳參數訓練好、可以直接拿去用」的模型。因為剛剛那 120 台模型，每一台都只看過五分之四的資料，而且考完就丟了。
這就是 refit 存在的理由：
| refit=True（預設） | refit=False（本題） | |
|---|---|---|
| 搜尋結束後 | 自動用最佳參數＋全部 178 瓶再訓練一次 | 就地解散，只留成績單 |
| 總 fit 次數 | 120 ＋ 1 ＝ 121 | 120 |
| 多的那一次算交叉驗證嗎 | 不算——它用全部資料、也不打分數 | — |
沒有那最後一次重訓，就沒有「訓練好的最佳模型」。本站把每個屬性實際摸過一遍：
| 搜尋完之後想拿⋯⋯ | refit=False（本題） | refit=True |
|---|---|---|
| cv_results_ 完整成績單 | 拿得到實跑確認 | 拿得到 |
| best_params_ 最佳參數 | 拿得到（單一 scoring 時）實跑確認 | 拿得到 |
| best_score_ 最佳平均分 | 拿得到（單一 scoring 時）實跑確認 | 拿得到 |
| best_estimator_ 訓練好的最佳模型 | AttributeError實跑確認 | 拿得到 |
| search.predict() / search.score() | AttributeError實跑確認 | 可以直接用 |
實跑的錯誤訊息長這樣（值得看一眼，考題很愛考）： search.predict(X_wine) → AttributeError: This 'GridSearchCV' has no attribute 'predict' search.score(X_wine, y_wine) → AttributeError: This GridSearchCV instance was initialized with `refit=False`. score is available only after refitting ...
best_params_ 和 best_score_ 仍然拿得到（因為它們只是「讀成績單」，不需要訓練好的模型）——但這只限 scoring 只有一個指標的情況。如果 scoring 傳了多個指標（例如同時看 accuracy 和 f1），sklearn 不知道該用哪個指標定義「最佳」，此時 refit 必須明確指定指標名稱，否則連 best_params_ 都沒有。把前面兩節收成一條公式，以後看到同型題直接套：
\[ \text{總 fit 次數} \;=\; \underbrace{\Big(\prod_{i} n_i\Big)}_{\text{各參數候選數連乘}} \times \; k \;+\; \underbrace{\big[\,\text{refit=True 則加 } 1\,\big]}_{\text{用全部資料重訓}} \]
其中 \(n_i\) 是第 \(i\) 個參數的候選值個數、\(k\) 是交叉驗證折數。本題：\(3 \times 4 \times 2 \times 5 + 0 = 120\)。
| 做法 | fit 次數 | 特性 |
|---|---|---|
| GridSearchCV | 組合數 × k（＋refit） | 地毯式全搜，保證試過菜單上每一格；網格一大就爆炸 |
| RandomizedSearchCV | n_iter × k（＋refit）——跟網格大小無關 | 從菜單裡隨機抽 n_iter 組來試；預算固定、可搜連續分布，大網格的首選 |
| HalvingGridSearchCV | 介於中間（逐輪淘汰） | 先用少量資料讓全部組合初賽，贏家才能用更多資料複賽；sklearn 的逐次減半搜尋 |
| n_jobs=-1 | 次數完全不變 | 只是「同時開好幾個爐子」——平行化改變的是等待時間，不是 fit 次數 |
RandomizedSearchCV(..., n_iter=10, cv=5, refit=False)，verbose 印出 Fitting 5 folds for each of 10 candidates, totalling 50 fits，計數器同樣停在 50——它只抽了 24 種組合裡的 10 種。另外，本題的網格開 n_jobs=-1 全核心平行後，還是 120 次 fit，但時間從 47.5 秒縮到 27.2 秒。算完次數，本站把這場搜尋真的跑完，結果成績單藏了一個超展開——先看兩個換算：
Wine 有 13 個特徵：
max_features="sqrt" → 取 √13 ≈ 3.61 → 無條件捨去 → 每次分岔抽 3 個特徵
max_features="log2" → 取 log₂13 ≈ 3.70 → 無條件捨去 → 每次分岔抽 3 個特徵
↑
兩個候選值，算出來是同一個數字
也就是說，在 13 個特徵的資料上，"sqrt" 和 "log2" 是同一件事的兩種寫法。加上 random_state=42 固定了抽籤順序，每一對「只差 max_features」的組合訓練出來的森林一模一樣——本站實跑驗證：兩邊在驗證折上的預測一瓶都不差。24 個組合，實際上只有 12 種不同的模型。
這個彩蛋有三個實戰教訓：
{'max_depth': None, 'max_features': 'sqrt', 'n_estimators': 100}）。看到 best_params_ 別急著寫報告說「最佳深度是 None」——先翻 rank_test_score 看看有幾個並列。四個數字，各自對應一條「乘法走歪」的路。把歪路認出來，下次看到變形題也不會踩。
24 是候選組合數（3 × 4 × 2），也是成績單 cv_results_ 的列數——但它不是 fit 次數。每一個組合都還要在 5 折上各訓練一次，選 A 等於以為「每種組合只試了一口」。verbose 的原話已經把兩個數字分開講了：24 candidates、120 fits。
60 ＝ 3 × 4 × 5——把 max_features 那個「× 2」弄丟了。最常見的失手方式有兩種：只顧著看數字候選、忽略 ["sqrt", "log2"] 這種字串候選也要算；或是把第 7 行的 None 當成「沒有值」漏數（那樣會得到 3 × 3 × 2 × 5 ＝ 90，連選項都對不上）。param_grid 有幾個鍵，就要乘幾個數字，一個都不能少。
兩個乘法都做齊：組合數 3 × 4 × 2 ＝ 24，再乘折數 24 × 5 ＝ 120；refit=False，所以沒有搜尋後的加碼重訓，就停在 120。本站實跑雙重驗證：verbose 印出 totalling 120 fits，計數器攔截到的 fit 也是 120 次，每次用 142～143 瓶訓練。
240 ＝ 120 × 2，通常來自兩種誤會。①「每折要訓練一次＋驗證一次，所以乘 2」——不對，驗證用的是同一台剛訓練好的模型拿去 predict／score，評分不會再 fit 一次。②「refit 會把整套再跑一遍」——也不對，refit=True 只是在最後多 1 次（用全部資料訓練最佳組合），是 121，不是 240。
看完之後再看一次同一段程式，三個數字應該會自己跳出來。
Wine 分類任務以 RandomForestClassifier 進行網格搜尋，程式如下；本題不計搜尋完成後另行重訓，因此設定 refit=False。交叉驗證期間總共會執行多少次模型 fit？
param_grid = { # 候選值菜單
"n_estimators": [100, 200, 400], # 3 個候選
"max_depth": [None, 5, 10, 20], # 4 個候選（None 也算一個）
"max_features": ["sqrt", "log2"] # 2 個候選
} # 菜單寫完
search = GridSearchCV( # 組搜尋機
RandomForestClassifier(random_state=42), # 被反覆訓練的模型
param_grid=param_grid, # 交出菜單
cv=5, # 每個組合都做 5 折
refit=False # 搜完不重訓
) # 組裝完成
search.fit(X_wine, y_wine) # 開始跑八題，全部都是本題的變形。答錯會直接告訴你錯在哪。
{ } 是字典（名字 → 內容的菜單）、中括號 [ ] 是串列（一排候選值）、小括號 ( ) 是呼叫。param_grid 就是「字典裡包著串列」。search.fit() 才按下開關。None 是正式候選值要數進去；字串候選（"sqrt"、"log2"）也要數。best_estimator_、不能 search.predict()（實跑：AttributeError）；但單一 scoring 時 best_params_、best_score_、cv_results_ 都還在。多指標 scoring 時 refit 必須指名指標，否則連 best_params_ 都沒有。n_jobs=-1 平行化不改變次數，只縮短時間（47.5 秒 → 27.2 秒）。.fit() 的呼叫次數。"sqrt" 和 "log2" 都換算成 3，24 個組合其實只有 12 種模型；GridSearchCV 不會去重，120 次照跑。設計網格前先確認候選值真的會改變模型。Fitting 5 folds for each of 24 candidates, totalling 120 fits。超參數搜尋是中級科目三「機器學習技術與應用」的常客，而「算總 fit 次數」是其中最像數學題、也最好拿分的題型。最常見的五種問法：① 給 param_grid 和 cv 問總 fit 次數（本題這種，答案＝候選數連乘 × 折數，再看 refit 要不要 +1）；② 問 refit=False 之後哪個屬性拿不到／哪個操作會報錯（best_estimator_ 與 predict）；③ 換成 RandomizedSearchCV 問次數（n_iter × 折數，跟網格大小無關）；④ 問 cv=5 對分類問題預設用哪種切法（StratifiedKFold 分層）；⑤ 問 n_jobs 或 verbose 的作用（平行化不改次數；verbose 會把 candidates 和 fits 印出來）。把「組合數相乘、折數再乘上去、refit 才加一」這三步背熟，這一型幾乎都能秒殺。
因為交叉驗證是對每一個組合分別做一輪完整的 k 折，不是全部組合共用一輪。想像 24 位考生每人都要考 5 科：總考科數是 24 × 5 ＝ 120，不是 24 ＋ 5 ＝ 29。程式的角度看更清楚：GridSearchCV 內部是一個雙層迴圈——外層走過每個候選組合、內層走過每一折，每進一次內層就 clone 一台新模型 fit 一次。所以只要記得「雙層迴圈」，乘法就不會寫成加法。
因為它的目的和用料都不一樣。交叉驗證的 120 次 fit 是「評分用」：每次只用五分之四的資料訓練，剩下五分之一拿來打分數，考完就丟。refit 的那一次是「生產用」：搜尋結束後，用成績最好的參數＋全部 178 筆資料訓練一台正式模型，掛在 best_estimator_ 上讓你之後predict 用——它不打分數、不留成績，自然不屬於交叉驗證。本題題幹特別寫「不計搜尋完成後另行重訓，因此設定 refit=False」，就是在把這一次明確排除，讓答案乾淨地停在 120。
用 k 折的「k 分之 k−1」。178 瓶酒切 5 折，各折考題 36／36／36／35／35 瓶，所以每次 fit 的訓練資料是 142 或 143 瓶（178 減掉當折考題數）。只有 refit=True 的那第 121 次會用滿 178 瓶。考題偶爾會反過來問「每次訓練用幾筆」，記住口訣：交叉驗證的每一次 fit 都看不到那一折的考題。另外分類問題傳整數給 cv 預設走 StratifiedKFold（不洗牌的分層切法），每折的類別比例會貼近整體的 59:71:48。
會更嚴格：連 best_params_ 和 best_score_ 都拿不到。單一指標時「最佳」的定義毫無歧義，所以 refit=False 仍能從成績單直接讀出最佳列；多指標時（例如 scoring=["accuracy","f1_macro"]）sklearn 不知道你要以哪個指標為準，規定 refit 必須寫成指標名稱（如 refit="f1_macro"）才會定義 best_params_ 並用該指標重訓。這是考題愛出的進階陷阱：「refit=False 時 best_params_ 拿得到嗎？」——單一指標拿得到，多指標拿不到。
次數＝ n_iter × 折數（refit 同樣另計）。它每輪從 param_distributions 隨機抽一組參數，抽 n_iter 輪為止，所以次數由你的預算決定，跟網格大小完全無關——本站實跑 n_iter=10、cv=5 就是 50 次 fit。它不是次級品：當參數多、範圍大時，隨機抽樣反而更有機會踩到好區域（而且它能搜「連續分布」，例如 learning_rate 從 0.001 到 0.3 之間任何值，這是網格做不到的）。實務上常見的組合拳是：RandomizedSearch 大範圍圈地 → 看結果 → 開一個小 GridSearch 精修。
本站實跑印出 Fitting 5 folds for each of 24 candidates, totalling 120 fits，三個數字剛好對應公式的三個角色：5 是 cv 折數、24 是候選組合數（各參數候選數的連乘）、120 是兩者相乘的總 fit 次數。考題如果給你這行輸出反推 param_grid，就用 24 去因數分解。注意這行不包含 refit 的那一次——refit=True 時它照樣印 totalling 120 fits，第 121 次是印完之後才默默做的。
一次 RandomForest 的 fit 會種出 n_estimators 棵樹，所以「樹的總數」＝把每次 fit 的 n_estimators 加總。本題每個 n_estimators 候選值（100、200、400）各出現在 4 × 2 ＝ 8 個組合裡，每個組合 fit 5 次，所以總樹數 ＝ 5 × 8 × (100 + 200 + 400) ＝ 28,000 棵。但題目問的是「執行多少次模型 fit」，數的是 .fit() 呼叫了幾次（120），不是樹的棵數——兩個數字都可能出現在考題裡，看清楚題目要哪一個。
每一題都是：題目 → 程式逐行拆解 → 實跑數字對帳 → 互動實驗室 → 觀念延伸。完整版還有：