可以帮我写一个code例子么

当然可以，假设你想在Python中使用scikit-learn库的GridSearchCV来进行线性回归模型的参数调优。这是一个简单的例子：

from sklearn.model_selection import GridSearchCV
from sklearn.linear_model import LinearRegression
from sklearn.datasets import load_boston
from sklearn.metrics import mean_squared_error

# 加载波士顿房价数据
boston = load_boston()
X, y = boston.data, boston.target

# 定义参数网格
param_grid = {'fit_intercept': [True, False],
              'normalize': [True, False],
              'alpha': [0.0001, 0.001, 0.01, 0.1]}

# 创建线性回归模型
model = LinearRegression()

# 使用GridSearchCV
grid_search = GridSearchCV(model, param_grid, cv=5, scoring='neg_mean_squared_error')  # 使用交叉验证，负均方误差作为评价指标
grid_search.fit(X, y)

# 输出最佳参数和对应得分
print("Best parameters: ", grid_search.best_params_)
print("Best score: ", -grid_search.best_score_)  # 因为GridSearchCV返回的是最小损失

# 使用最佳参数训练模型
best_model = grid_search.best_estimator_
predictions = best_model.predict(X)

# 结果展示
print("Mean Squared Error: ", mean_squared_error(y, predictions))

这个例子展示了如何使用GridSearchCV寻找`LinearRegression`模型的最优参数组合。