SVM网格搜索法参数寻优，每一个组合验证完毕立刻输出该组合的交叉验证分数python

可以使用`GridSearchCV`来进行SVM的参数寻优，并在每个参数组合完成验证之后立即输出该组合的交叉验证分数。以下是一个示例代码：

from sklearn.model_selection import GridSearchCV
from sklearn.svm import SVC
from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split

# 加载数据集
iris = load_iris()
X, y = iris.data, iris.target

# 划分数据集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=42)

# 定义参数网格
param_grid = {'C': [0.1, 1, 10, 100],
              'gamma': [0.1, 1, 10, 100],
              'kernel': ['linear', 'rbf', 'sigmoid']}

# 定义SVM模型
svm_model = SVC()

# 定义网格搜索模型
grid_search = GridSearchCV(svm_model, param_grid=param_grid, cv=5)

# 遍历每个参数组合，并输出交叉验证分数
for i, params in enumerate(grid_search.param_grid):
    print(f"Testing combination {i+1}/{len(grid_search.param_grid)}: {params}")
    grid_search.set_params(**params)
    grid_search.fit(X_train, y_train)
    print(f"Score: {grid_search.best_score_:.3f}\n")

在这个示例代码中，我们首先加载了鸢尾花数据集，并将其划分为训练集和测试集。然后，我们定义了需要搜索的参数网格 `param_grid`，包括了 `C`、`gamma` 和 `kernel` 这三个参数及其取值范围。接着，我们定义了一个 SVM 模型 `svm_model`，并使用 `GridSearchCV` 定义了一个网格搜索模型 `grid_search`。最后，我们使用一个循环遍历每一个参数组合，并在每个参数组合完成验证之后输出该组合的交叉验证分数。

在循环中，我们首先输出当前正在测试的参数组合的信息，包括当前参数组合的索引、总共需要测试的参数组合数量，以及当前参数组合的取值。然后，我们使用 `grid_search.set_params(**params)` 将当前参数组合设置为 SVM 模型的参数，并使用 `grid_search.fit(X_train, y_train)` 在训练集上进行交叉验证。最后，我们输出当前参数组合在训练集上的交叉验证分数，以便我们及时了解当前参数组合的效果。