python网格搜索代码

### Python 中实现网格搜索的代码示例

在Python中，`sklearn.model_selection.GridSearchCV` 是一个非常流行的库函数，用于执行网格搜索来优化模型超参数。下面是一个完整的例子，展示了如何使用 `GridSearchCV` 来寻找支持向量机 (SVM) 的最优参数配置。

#### 导入必要的库

from sklearn import datasets
from sklearn.model_selection import train_test_split, GridSearchCV
from sklearn.preprocessing import StandardScaler
from sklearn.svm import SVC
import pandas as pd

#### 加载并预处理数据集
为了简化说明过程，这里选择了经典的鸢尾花(Iris) 数据集作为示范对象。

# 加载Iris数据集
iris = datasets.load_iris()
X = iris.data
y = iris.target

# 将数据分为训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

# 特征缩放
scaler = StandardScaler().fit(X_train)
X_train_scaled = scaler.transform(X_train)
X_test_scaled = scaler.transform(X_test)

#### 定义参数网格
定义要探索的不同参数值组合。

param_grid = {
    'C': [0.1, 1, 10],
    'kernel': ['linear', 'rbf'],
    'gamma': ['scale', 'auto']
}

#### 创建并拟合网格搜索器
创建基于交叉验证的支持向量分类器，并对其进行训练以找到最佳参数设置。

grid_search = GridSearchCV(SVC(), param_grid, cv=5)
grid_search.fit(X_train_scaled, y_train)

#### 输出结果
最后打印出最佳得分以及对应的最佳参数。

print("Best cross-validation score: {:.2f}".format(grid_search.best_score_))
print("Best parameters: ", grid_search.best_params_)

通过上述代码片段，可以有效地利用网格搜索技术，在指定范围内自动调整和支持向量机模型的关键参数，从而提高预测性能[^1]。