GridSearchCV应用举例

GridSearchCV是一种用于超参数优化的技术，它可以帮助我们找到最优的超参数组合，以提高模型的性能。以下是一个使用GridSearchCV的示例：

假设我们正在使用支持向量机（SVM）对一个二分类问题进行建模，我们需要找到最佳的SVM模型超参数。我们可以使用GridSearchCV来找到最佳的超参数组合。

首先，我们需要导入必要的库和数据集：

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

data = load_breast_cancer()
X = data.data
y = data.target

接下来，我们需要定义要优化的超参数和它们的可能值：

param_grid = {
    'C': [0.1, 1, 10, 100],
    'gamma': [0.1, 1, 10, 100],
    'kernel': ['linear', 'rbf']
}

这里我们定义了三个超参数：C、gamma和kernel。每个超参数都有几个可能的取值。我们可以通过GridSearchCV来搜索所有可能的超参数组合：

svc = SVC()
grid_search = GridSearchCV(svc, param_grid, cv=5)
grid_search.fit(X, y)

在这里，我们创建了一个SVC对象，然后使用GridSearchCV对其进行了实例化。我们传递了要搜索的超参数范围和5折交叉验证的参数。最后，我们使用数据拟合网格搜索对象：

print(grid_search.best_params_)
print(grid_search.best_score_)

在这里，我们打印出最佳超参数组合和对应的模型得分。这些超参数将用于创建最终的SVM模型，以便对未知数据进行预测。

这是一个简单的GridSearchCV示例。在实际应用中，我们需要根据具体情况调整超参数范围，并进行多次实验以找到最佳的超参数组合。