前回は、ロジスティック回帰を使ってL1・L2正則化を実装しました。今回は、ロジスティック回帰を使ってグリッド・サーチ（Grid Search）を行います。これらのテクニックはロジスティック回帰に限ったものではないので、知っておくと今後に登場するモデルでも役に立ちます。

グリッド・サーチは、機械学習モデルのハイパーパラメータを最適化するための一般的な手法です。この方法では、各ハイパーパラメータに対して候補となる値のリストを指定します。ハイパーパラメータが複数ある場合、全ての値の組み合わせを総当たりで試し、最も性能が良い組み合わせを見つけ出します。

より高度なハイパーパラメータの調節には、専門のソフトであるOptunaなどを使ったりします。

しかし、ハイパーパラメータの調節を行う基本をscikit-learnを使って学ぶには、付属のグリッド・サーチから始めるのが良いでしょう。

また、グリッド・サーチと同時に使われるクロスバリデーション（交差検証）の概念も解説します。