掌握超参数搜索方法的使用。使用GridSearchCV采用K近邻算法，选择最优的K值。

好的，下面是使用GridSearchCV进行K近邻算法的超参数搜索的示例代码：

from sklearn.model_selection import GridSearchCV
from sklearn.neighbors import KNeighborsClassifier
from sklearn.datasets import load_iris

# 加载鸢尾花数据集
iris = load_iris()

# 定义K近邻模型
knn = KNeighborsClassifier()

# 定义超参数搜索空间
param_grid = {'n_neighbors': [3, 5, 7, 9, 11]}

# 使用GridSearchCV进行超参数搜索
grid_search = GridSearchCV(knn, param_grid, cv=5)
grid_search.fit(iris.data, iris.target)

# 输出最优参数和最优得分
print("Best parameters: {}".format(grid_search.best_params_))
print("Best cross-validation score: {:.2f}".format(grid_search.best_score_))

在上面的示例代码中，我们首先加载了鸢尾花数据集，然后定义了K近邻模型，接着定义了超参数搜索空间，这里我们只搜索K值，分别为3、5、7、9和11。最后，使用GridSearchCV进行超参数搜索，并输出最优参数和最优得分。注意，这里我们使用了5折交叉验证（cv=5）来评估模型性能。