一、步骤

（1）确定最优参数的大致范围（粗调）。train函数中的方法刚一开始都有默认的参数，由于我们也都不知道最优的参数是什么，所以可以先直接使用默认的参数进行调参。
（2）确定参数范围之后，进一步缩小最优参数的范围（精调）。这一个过程可以无限重复，直到选出你认为最好的参数"_"，过程有点粗暴。

二、演示

以一个简单的PM2.5数据来演示整个调参过程：

1、导入数据

rm(list = ls())

data<-read.csv("C:\\data\\PM2.5.csv",sep=",",head=TRUE)
len = length(data)
traindata <- data[,1:len-1]     #x值
trainClass <- data[,len]      #y值

2、使用xgblinear方法来进行回归分析（粗调）

#xgblinear
set.seed(1)
fit_xgblinear<- train(traindata,
                      trainClass,
                      method = "xgbLinear",    #这里可以设置使用的模型
                      trControl = trainControl(method = "cv",number = 10,search = "grid"),      #使用十折交叉验证
                      metric = "Rsquared")
summary(fit_xgblinear)
fit_xgblinear
fit_xgblinear$bestTune
# fit_xgblinear$finalModel
fit_xgblinear$results
plot(fit_xgblinear)

运行结果：

从运行结果来看，R方最高为0.7147，此时对应的参数是nrounds = 100, lambda = 0.1, alpha = 0 and eta = 0.3，我们将以这组参数为基础进行后续的精调。关于train函数中方法参数的具体情况，可以参阅网址：http://topepo.github.io/caret/train-models-by-tag.html。

3、进一步缩小参数范围（精调）。指定的参数范围尽可能在上面参数的附近（nrounds = 100, lambda = 0.1, alpha = 0 and eta = 0.3），因此这里我们将nrounds =100 , lambda = seq(0,2.0,0.2), alpha =seq(0,1.0,0.1) and eta =0.3 ,从中我们找到更为优秀的模型。

#xgblinear
tune_xgbLinear <- expand.grid(lambda  = seq(0,2.0,0.2),
                              alpha  = seq(0,1.0,0.1),
                              nrounds  = 100,
                              eta      = 0.3)    #这里可以指定每一个参数的范围

set.seed(1)
fit_xgblinear<- train(traindata,
                      trainClass,
                      method = "xgbLinear",    #这里可以设置使用的模型
                      trControl = trainControl(method = "cv",number = 10,search = "grid"),
                      metric = "Rsquared",
                      tuneGrid = tune_xgbLinear)
summary(fit_xgblinear)
fit_xgblinear
fit_xgblinear$bestTune
# fit_xgblinear$finalModel
fit_xgblinear$results

运行结果：

从精调的结果来看，此时的R方为0.7398，相较于上一套参数，模型要更为优秀。以此类推，精调的过程可以无限重复，通过不断缩小参数范围总会找到一套最优参数。我这里模型的判断标准为R-square，其中也可以使用RMSE等指标，这点根据个人需要进行设置即可。