结合代码，熟悉使用嵌套交叉验证的足有超参数搜索方法的函数调用序列：内部交叉验证(使用GridSearchCV或RandomizedSearchCV)和外部交叉验证（使用cross_val_score，注意cross_val_score缺省cv=3）。在基础代码上，适当修改内部、外部cv折数，观察、记录并简要分析实验结果。对嵌套交叉验证过程进行简要说明。

嵌套交叉验证是一种模型选择和评估的方法，它将数据集分为内部训练集、内部测试集、外部训练集和外部测试集四部分。其中，内部训练集用于调整模型的超参数，内部测试集用于评估超参数的性能，外部训练集用于训练最终的模型，外部测试集用于评估最终模型的性能。因此，嵌套交叉验证可以更准确地评估模型的性能和选择最优的超参数。

下面是一个使用嵌套交叉验证进行超参数搜索的基础代码：

from sklearn.datasets import load_iris
from sklearn.model_selection import GridSearchCV, cross_val_score
from sklearn.tree import DecisionTreeClassifier

iris = load_iris()
X, y = iris.data, iris.target

# 定义决策树分类器
dtc = DecisionTreeClassifier()

# 定义超参数搜索空间
param_grid = {'max_depth': [1, 2, 3, 4, 5], 'min_samples_split': [2, 3, 4]}

# 内部交叉验证
grid_search = GridSearchCV(dtc, param_grid=param_grid, cv=5)
grid_search.fit(X, y)

# 记录最佳超参数
best_params = grid_search.best_params_

# 外部交叉验证
dtc = DecisionTreeClassifier(**best_params)
scores = cross_val_score(dtc, X, y, cv=3)

print('Best params:', best_params)
print('CV scores:', scores)
print('Mean CV score:', scores.mean())

上述代码中，我们使用了决策树分类器作为模型，定义了超参数搜索空间，然后使用GridSearchCV进行内部交叉验证，找到最佳超参数。接着，我们使用最佳超参数训练最终的模型，并使用cross_val_score进行外部交叉验证，评估最终模型的性能。

我们可以通过修改内部、外部cv折数来观察、记录和分析实验结果。一般来说，内部cv折数越大，模型调优的准确性越高，但计算成本也越高；外部cv折数越大，最终模型评估的准确性越高，但计算成本也越高。因此，需要在时间和准确性之间进行权衡。

总之，嵌套交叉验证是一种重要的模型选择和评估方法，可以更准确地评估模型的性能和选择最优的超参数。