请给出 python 支持向量机回归算法的调参代码

好的，以下是 Python 中支持向量机回归算法的调参代码示例：

from sklearn.svm import SVR
from sklearn.model_selection import GridSearchCV
from sklearn.metrics import r2_score, mean_squared_error

# 加载数据集并分离特征和标签
X, y = load_data()

# 创建支持向量机回归模型
svr = SVR()

# 定义调参范围
param_grid = {'C': [0.1, 1, 10, 100],
              'gamma': [0.1, 1, 10, 100],
              'kernel': ['rbf', 'linear', 'poly', 'sigmoid']}

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

# 输出最优参数和对应的模型得分
print("Best parameters: ", grid_search.best_params_)
print("Best score: ", grid_search.best_score_)

# 对测试集进行预测并计算评估指标
y_pred = grid_search.predict(X_test)
print("R2 score: ", r2_score(y_test, y_pred))
print("Mean squared error: ", mean_squared_error(y_test, y_pred))

在上面的代码中，我们首先使用 `SVR()` 函数创建了支持向量机回归模型。然后，我们定义了需要调参的参数范围，并使用 `GridSearchCV()` 函数对模型进行了参数搜索。最后，我们输出了最优参数和对应的模型得分，并对测试集进行了预测和评估。