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，下面是一个使用GridSearchCV进行超参数搜索的示例：

首先，我们需要导入相关的库和数据：

import numpy as np
from sklearn.datasets import load_iris
from sklearn.neighbors import KNeighborsClassifier
from sklearn.model_selection import GridSearchCV

# 加载数据
iris = load_iris()
X = iris.data
y = iris.target

然后，我们定义一个K近邻分类器，并指定待搜索的超参数范围：

# 定义K近邻分类器
knn = KNeighborsClassifier()

# 设置待搜索的超参数范围
param_grid = {'n_neighbors': np.arange(1, 10)}

接着，我们使用GridSearchCV进行超参数搜索：

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

# 输出最优的超参数和模型得分
print('Best parameters:', grid_search.best_params_)
print('Best score:', grid_search.best_score_)

这里，我们将K近邻分类器和待搜索的超参数范围传递给GridSearchCV，并指定交叉验证的折数为5。然后，我们使用fit方法进行训练和搜索。最后，我们输出最优的超参数和模型得分。

完整代码如下：

import numpy as np
from sklearn.datasets import load_iris
from sklearn.neighbors import KNeighborsClassifier
from sklearn.model_selection import GridSearchCV

# 加载数据
iris = load_iris()
X = iris.data
y = iris.target

# 定义K近邻分类器
knn = KNeighborsClassifier()

# 设置待搜索的超参数范围
param_grid = {'n_neighbors': np.arange(1, 10)}

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

# 输出最优的超参数和模型得分
print('Best parameters:', grid_search.best_params_)
print('Best score:', grid_search.best_score_)