使用PyCaret训练模型超参数调优后性能下降，请问操作哪里有误？

• 超参数搜索空间设置不合理：如果未手动限制搜索范围，PyCaret默认的搜索空间会包含大量会引发模型欠拟合/过拟合的无效参数区间，例如树模型max_depth设置过高、正则化参数alpha/lambda取值过大等，都会直接拉低模型性能。建议根据使用的模型类型手动缩小custom_grid参数的搜索范围，优先调整对当前任务影响最大的3-5个核心超参数。
• 优化目标与实际评估指标不匹配：检查tune_model函数的optimize参数配置，如果你实际关注的是召回率、F1值等指标，但调参时默认优化准确率，最终得到的参数自然会在你需要的指标上表现更差，需要保证调优目标和评估指标完全一致。
• 超参数过拟合验证集：如果数据集本身样本量较小，或者调参迭代次数过多，很容易出现超参数拟合交叉验证集的情况，泛化到测试集时性能就会下降。可以尝试增大交叉验证的折数，或单独拆分一份不参与调参的Holdout集做最终性能校验。
• 调参后未重新拟合全量训练数据：调参过程中训练的模型只使用了部分训练集，拿到最优超参数后需要手动用最优参数在全量训练集上重新训练，再做评估，否则性能会低于默认参数下拟合了全量训练集的模型。
• 随机种子未固定：如果初始化PyCaret环境时没有设置固定的session_id参数，调参前后的数据集拆分、模型初始化权重都会存在随机波动，观测到的性能下降可能只是随机误差，不是超参数调整导致的问题。

你提供的调优操作截图如下：

内容的提问来源于stack exchange，提问作者Lokesh Arya