python使用GridSearchCV对Kmeans训练进行调参

GridSearchCV是一个用于调参的工具，可以帮助我们找到最优的模型参数。下面是一个使用GridSearchCV对KMeans进行调参的示例代码：

from sklearn.cluster import KMeans
from sklearn.model_selection import GridSearchCV
from sklearn.datasets import make_blobs

# 构造样本数据
X, y = make_blobs(n_samples=1000, centers=3, random_state=42)

# 定义KMeans模型
kmeans = KMeans()

# 定义需要调参的参数范围
param_grid = {'n_clusters': [2, 3, 4, 5],
              'init': ['k-means++', 'random']}

# 使用GridSearchCV进行调参
grid_search = GridSearchCV(kmeans, param_grid=param_grid, cv=5)
grid_search.fit(X)

# 输出最优参数和最优得分
print("Best parameters:", grid_search.best_params_)
print("Best score:", grid_search.best_score_)

在上面的代码中，首先使用make_blobs函数生成一个包含1000个样本点和3个簇的数据集。然后定义了一个KMeans模型和需要调参的参数范围param_grid。接着使用GridSearchCV进行调参，其中cv参数表示使用5折交叉验证。最后输出最优参数和最优得分。

在实际使用中，可以根据需要调整参数范围和交叉验证的折数，以找到最优的模型参数。