Projeto pessoal | Machine Learning parte 1: otimização de modelos através de hiperparâmetros

Fiz um projeto pessoal, de um modelo que obtive em meu trabalho. O modelo não está ok, acho que o espaço amostral está muito pequeno. Pretendo criar um modelo, e deixar pronto e testar conforme obtenho mais dados.

from sklearn.linear_model import Ridge

from sklearn.linear_model import Lasso

parametros = {'alpha':[a/100 for a in range(1,101)]}

model = Ridge()
parameters = {'alpha':[1, 10]}

grid_search_cv_1 = GridSearchCV(estimator = model, 
                              param_grid = parametros,
                              scoring='neg_root_mean_squared_error', 
                              cv = 5) 

grid_search_cv_1.fit(X,y)

grid_search_cv_1.fit(X,y)

grid_search_cv_1.best_estimator_

modelo = make_pipeline(StandardScaler(), Ridge(alpha=0.01, copy_X=True, fit_intercept=True, max_iter=None,
      normalize=False, random_state=None, solver='auto', tol=0.001))

scores = cross_val_score(modelo, X, y, cv = cv)


scores.mean()

modelo.fit(X_train,y_train)

modelo.predict(X_test)

modelo.score(X_test, y_test)

Minha intenção é fazer um código em python, com orientação a objetos, em que eu consiga inserir os modelos que quero testar, os parâmetros e ele faça todos os gridsearch ou randomsearch e devolva o melhor para mim.