python的GridSearchCV函数

`GridSearchCV` 函数是 `scikit-learn` 中的一个超参数自动调优函数，用于在给定的超参数空间中进行网格搜索，找到最优的超参数组合。其用法如下：

from sklearn.model_selection import GridSearchCV
from sklearn.svm import SVC

# 定义超参数空间
param_grid = {
    'C': [0.1, 1, 10, 100],
    'gamma': [0.01, 0.1, 1, 10]
}

# 定义待优化的模型
model = SVC()

# 定义GridSearchCV对象
grid_search = GridSearchCV(model, param_grid, cv=5)

# 在训练集上进行超参数搜索
grid_search.fit(X_train, y_train)

# 输出最优的超参数组合
print(grid_search.best_params_)

其中，`param_grid` 定义了超参数空间，可以是一个字典或一个列表，字典中的键为超参数的名称，值为超参数的取值列表。`cv` 参数指定了交叉验证的折数。在执行 `fit` 方法后，`GridSearchCV` 会在超参数空间中进行网格搜索，找到最优的超参数组合，并将最优的超参数组合保存在 `best_params_` 属性中。最后，我们可以使用最优的超参数组合对测试集进行预测。

需要注意的是，在实际使用中，我们需要根据具体的模型和数据集定义超参数空间，并根据计算资源的情况选择适当的搜索策略。同时，由于网格搜索需要遍历超参数空间，因此它的计算复杂度很高，可能需要花费大量的时间和计算资源。