用途：为机器学习模型自动调优超参数，通过网格搜索、随机搜索或贝叶斯优化寻找使性能最大化的参数配置。
主要能力：分析用户需求，确定模型、待调超参数、搜索策略与评估指标；生成使用 scikit-learn、Optuna 等库的 Python 代码，涵盖数据加载、预处理、训练与评估；执行搜索并遍历参数组合；报告最佳超参数配置及对应性能指标，并给出搜索过程与进一步优化方向的说明。
使用方式：在需要优化模型性能、自动搜索最佳超参数、比较不同搜索策略或提升准确率、精确率、召回率等指标时触发。用户需提供必要上下文与参数，例如示例中“用网格搜索调优随机森林的 n_estimators 与 max_depth，在 iris 数据集上最大化准确率”，或“用 Optuna 贝叶斯优化梯度提升模型，在波士顿房价数据集上最小化 RMSE”。技能会生成并执行相应代码后返回结果。
适用场景：机器学习模型的性能调优、超参数搜索策略对比、指标优化。可与数据分析、模型训练、部署及可视化类插件配合使用。
限制与前提：需要适当的文件访问权限并安装所需依赖；无效输入会提示修正，缺少依赖会列出所需组件，权限错误会给出修复建议。资料未提供具体收费、价格、平台支持范围与效果保证等信息。