Como otimizar hiperparâmetros com GridSearchCV em Python

João Barros 07 de July de 2026 4 min de leitura

Um hiperparâmetro é uma definição que escolhemos antes de treinar o modelo — por exemplo, quantas árvores tem uma Random Forest. Escolher os melhores valores à mão é lento e pouco fiável: testamos um, mudamos outro e depressa perdemos o fio ao que já experimentámos. O GridSearchCV do scikit-learn automatiza esse trabalho: testa várias combinações com validação cruzada e indica qual delas dá o melhor resultado, tornando o modelo mais preciso com pouco esforço. A seguir fica um exemplo prático de tuning de hiperparâmetros em Python.

Pré-requisitos

Python 3 com o scikit-learn e o pandas instalados (pip install scikit-learn pandas).
Saber treinar um modelo simples e dividir dados em treino e teste.
Um notebook ou editor de código (Jupyter, VS Code ou equivalente).

Passo 1: Preparar os dados

Para não depender de ficheiros externos, usamos o dataset Wine que já vem incluído no scikit-learn — são 178 amostras de vinhos com 13 características e três classes. Carregamos os dados e reservamos 20% para teste; esse conjunto só será usado no fim, para uma avaliação honesta do modelo.

from sklearn.datasets import load_wine
from sklearn.model_selection import train_test_split

X, y = load_wine(return_X_y=True)
X_train, X_test, y_train, y_test = train_test_split(
    X, y, test_size=0.2, random_state=42
)

Passo 2: Definir o modelo e a grelha

A grelha (grid) é um dicionário: cada chave é o nome de um hiperparâmetro e cada valor é a lista de opções a testar. O GridSearchCV vai experimentar todas as combinações possíveis. Aqui usamos uma Random Forest e variamos três definições importantes: o número de árvores (n_estimators), a profundidade máxima de cada árvore (max_depth) e o número mínimo de amostras necessário para dividir um nó (min_samples_split).

from sklearn.ensemble import RandomForestClassifier

model = RandomForestClassifier(random_state=42)

param_grid = {
    "n_estimators": [100, 200, 300],
    "max_depth": [None, 5, 10],
    "min_samples_split": [2, 5],
}

Dica: comece com uma grelha pequena. Estas três listas geram 18 combinações (3 × 3 × 2) e, com validação cruzada de 5 partes, resultam em 90 treinos. Quanto maior a grelha, mais tempo demora.

Passo 3: Executar a pesquisa com validação cruzada

Passamos o modelo e a grelha ao GridSearchCV. O parâmetro cv=5 divide os dados de treino em cinco partes e testa cada combinação em todas elas, dando uma estimativa muito mais fiável do que uma única divisão. Com scoring="accuracy" dizemos que a métrica a maximizar é a precisão, e n_jobs=-1 aproveita todos os núcleos do processador para acelerar a pesquisa.

from sklearn.model_selection import GridSearchCV

grid = GridSearchCV(
    estimator=model,
    param_grid=param_grid,
    cv=5,
    scoring="accuracy",
    n_jobs=-1,
)

grid.fit(X_train, y_train)

Passo 4: Ver a melhor combinação

Terminado o treino, o GridSearchCV guarda a melhor combinação em best_params_ e a pontuação média de validação cruzada em best_score_. O melhor modelo, já reajustado com todos os dados de treino, fica disponível em best_estimator_ e pode ser usado diretamente para prever.

print("Best hyperparameters:", grid.best_params_)
print("Best CV score:", round(grid.best_score_, 3))

Passo 5: Avaliar no conjunto de teste

Por fim, medimos o desempenho do melhor modelo nos dados de teste que reservámos. É este valor — e não o da validação cruzada — que indica como o modelo se comporta perante dados que nunca viu.

accuracy = grid.score(X_test, y_test)
print("Test accuracy:", round(accuracy, 3))

Verificar o resultado

Se tudo correu bem, verá impressa a melhor combinação de hiperparâmetros e duas pontuações — a de validação cruzada e a de teste — ambas próximas e elevadas, normalmente acima de 0,9 neste dataset. Se a precisão no teste for muito inferior à da validação cruzada, pode ser sinal de overfitting: experimente reduzir a max_depth ou usar mais dados. Se ambas forem baixas, alargue a grelha com outros valores.

Conclusão

Com poucas linhas, deixou de adivinhar hiperparâmetros e passou a escolhê-los com base em dados. A partir daqui, use o RandomizedSearchCV quando a grelha for demasiado grande para testar por inteiro, ou combine o GridSearchCV com um Pipeline para afinar também o pré-processamento sem arriscar fugas de dados. Qual dos hiperparâmetros acha que fará a maior diferença no seu próximo modelo?