优化model=SVC(kernel='rbf',random_state=123) model.fit(x_train_s,y_train)

这段代码使用了SVM中的径向基函数（RBF）作为核函数进行分类模型的训练。以下是对代码的优化：

1. 使用 `C` 和 `gamma` 参数进行网格搜索，以找到最佳的模型超参数。

2. 使用 `Pipeline` 对数据进行预处理和模型训练，将数据预处理和模型训练合并在一起，提高代码的可读性和可维护性。

3. 使用 `GridSearchCV` 进行交叉验证和超参数选择，避免手动调节超参数和可能的过拟合。

from sklearn.pipeline import Pipeline
from sklearn.model_selection import GridSearchCV
from sklearn.preprocessing import StandardScaler
from sklearn.svm import SVC

# 定义数据预处理和模型训练流程
pipeline = Pipeline([
    ('scaler', StandardScaler()),  # 数据标准化
    ('svm', SVC(kernel='rbf', random_state=123))  # SVM模型
])

# 定义超参数范围
param_grid = {
    'svm__C': [0.1, 1, 10],
    'svm__gamma': [0.01, 0.1, 1]
}

# 使用交叉验证进行超参数选择
grid_search = GridSearchCV(pipeline, param_grid=param_grid, cv=5)
grid_search.fit(x_train_s, y_train)

# 输出最佳模型超参数和交叉验证得分
print('Best hyperparameters:', grid_search.best_params_)
print('Cross-validation score:', grid_search.best_score_)

# 训练最佳模型
best_model = grid_search.best_estimator_
best_model.fit(x_train_s, y_train)

# 输出在测试集上的预测准确率
test_score = best_model.score(x_test_s, y_test)
print('Test score:', test_score)

这个优化后的代码使用了交叉验证进行超参数选择，避免了手动调节超参数和过拟合的问题，同时使用了 `Pipeline` 对数据预处理和模型训练流程进行封装，提高了代码的可读性和可维护性。