grid_search.GridSearchCV

根据提供的引用内容，`grid_search`和`grid`都是使用了`GridSearchCV`函数，因此可以介绍一下`GridSearchCV`函数的用法。

`GridSearchCV`是一个用于自动调整超参数的函数，它通过交叉验证来确定最佳参数。在使用`GridSearchCV`时，需要提供一个模型和一组参数，`GridSearchCV`会尝试所有可能的参数组合，并返回最佳参数组合。

`GridSearchCV`的常用参数包括：
- `estimator`：指定要使用的模型。
- `param_grid`：指定要尝试的参数组合。
- `cv`：指定交叉验证的折数。
- `scoring`：指定评估指标。

下面是一个使用`GridSearchCV`的例子：

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

iris = load_iris()
X = iris.data
y = iris.target

param_grid = {'C': [0.1, 1, 10], 'gamma': [0.1, 1, 10]}
svc = SVC()
grid_search = GridSearchCV(svc, param_grid=param_grid, cv=5)
grid_search.fit(X, y)

print(grid_search.best_params_)

在这个例子中，我们使用`GridSearchCV`来寻找SVM模型的最佳参数。我们指定了要尝试的参数组合，即`C`和`gamma`的不同取值，然后将模型和参数组合传递给`GridSearchCV`。`GridSearchCV`会尝试所有可能的参数组合，并返回最佳参数组合。最后，我们打印出最佳参数组合。