可以使用Python中的字典来指定不同的超参数，并在GridSearchCV函数中传递此字典作为参数。例如：

from sklearn.model_selection import GridSearchCV
from sklearn.ensemble import RandomForestRegressor

param_grid_1 = {"max_depth": [3, 6, 9]}
param_grid_2 = {"max_depth": [6], "n_estimators": [50, 100, 150]}

rf = RandomForestRegressor()

grid_search_1 = GridSearchCV(rf, param_grid_1)
grid_search_2 = GridSearchCV(rf, param_grid_2)

grid_search_1.fit(X_train, y_train)
grid_search_2.fit(X_train, y_train)

在这个例子中，我们使用两个不同的参数网格（param_grid_1和param_grid_2）来运行GridSearchCV函数。这将为我们提供两个不同的模型，以便使用不同的超参数进行评估。我们从第一个网格搜索中得到一个模型，该模型的超参数为“max_depth”为3、6或9。从第二个网格搜索中，我们得到一个具有多个超参数的模型，包括“max_depth”= 6和“n_estimators”= 50、100或150。

通过使用这种方法，我们可以轻松地指定我们希望使用的超参数值，而不需要每次更改代码。