python 使用GridSearchCV对SVM模型参数进行调整

SVM是一种常见的分类算法，它在实际应用中需要调整不同的参数，例如核函数类型、正则化参数等等。使用GridSearchCV可以自动化地搜索最优的参数组合，从而提高SVM的分类性能。

下面是一个使用GridSearchCV对SVM模型参数进行调整的示例：

# 导入数据集
from sklearn.datasets import load_iris
iris = load_iris()

# 划分数据集
from sklearn.model_selection import train_test_split
X_train, X_test, y_train, y_test = train_test_split(iris.data, iris.target, test_size=0.2)

# 构建模型
from sklearn.svm import SVC
from sklearn.model_selection import GridSearchCV

parameters = {'kernel':('linear', 'rbf'), 'C':[1, 10]}
svc = SVC()
clf = GridSearchCV(svc, parameters)

# 拟合模型
clf.fit(X_train, y_train)

# 输出最优参数
print("最优参数为：", clf.best_params_)

# 预测结果
y_pred = clf.predict(X_test)

# 计算准确率
from sklearn.metrics import accuracy_score
accuracy = accuracy_score(y_test, y_pred)
print("准确率为：", accuracy)

在这个例子中，我们使用iris数据集进行分类，将数据集划分为训练集和测试集，然后使用GridSearchCV自动搜索最优的参数组合。在构建SVC模型时，我们指定了需要调整的参数范围，即核函数类型和正则化参数C的取值范围。在拟合模型后，可以通过best_params_属性获取最优的参数组合，然后使用该参数组合进行预测，最后计算准确率。