refactor: RandomizedSearchCV → GridSearchCV — SVR 超参全量穷举

- SVR 参数网格仅 216 种组合（4×6×3×3），全量搜索 ~2s 完成
- 之前 n_iter=10 只抽样 4.6%，靠运气撞最优参数
- 删除 n_iter 和 random_state 参数（GridSearchCV 不需要）
- 保留 RandomizedSearchCV import 供其他模型（参数空间大的）使用

src/core/modeling/modeling_batch.py

@@ -14,7 +14,7 @@ from sklearn.svm import SVR
 from sklearn.ensemble import RandomForestRegressor
 from sklearn.neighbors import KNeighborsRegressor
 from sklearn.linear_model import LinearRegression, Ridge, Lasso, ElasticNet
-from sklearn.model_selection import RandomizedSearchCV, cross_val_score, KFold, train_test_split
+from sklearn.model_selection import GridSearchCV, RandomizedSearchCV, cross_val_score, KFold, train_test_split
 from sklearn.metrics import mean_squared_error, mean_absolute_error, r2_score
 from sklearn.cross_decomposition import PLSRegression
 from sklearn.ensemble import GradientBoostingRegressor, AdaBoostRegressor, ExtraTreesRegressor
@@ -646,23 +646,22 @@ class WaterQualityModelingBatch:
         X_train[~np.isfinite(X_train)] = np.nan
         X_test[~np.isfinite(X_test)]   = np.nan
 
-        # RandomizedSearchCV 需要以「步骤名__参数名」的格式索引参数网格；
+        # 以「步骤名__参数名」的格式索引参数网格；
-        # 我们原有的 config['params'] 是模型层的（无 __），统一加 model__ 前缀。
+        # config['params'] 是模型层的（无 __），统一加 model__ 前缀。
         prefixed_params = {
             f"model__{k}": v for k, v in config['params'].items()
         }
 
-        # 随机搜索：直接对 Pipeline 调优（scaler 仅在 train fold 上 fit）
+        # 全量网格搜索：SVR 超参组合仅 216 种（4×6×3×3），
+        # 穷举远优于 RandomizedSearchCV(n_iter=10) 的随机抽样
         cv_strategy = KFold(n_splits=cv_folds, shuffle=True, random_state=random_state)
 
-        grid_search = RandomizedSearchCV(
+        grid_search = GridSearchCV(
             pipeline,
             prefixed_params,
-            n_iter=10,
             cv=cv_strategy,
             scoring=scoring,
             n_jobs=safe_n_jobs,
-            random_state=random_state,
             verbose=1,
         )