SVM网格搜索法参数寻优，遍历每个参数组合，并输出每个参数组合交叉验证分数python

使用`GridSearchCV`可以实现SVM的网格搜索参数寻优，遍历每个参数组合，并输出每个参数组合交叉验证分数。以下是一个基本的示例代码：

from sklearn import svm, datasets
from sklearn.model_selection import GridSearchCV

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

# 定义SVM模型
svc = svm.SVC()

# 定义参数搜索范围
parameters = {'kernel': ['linear', 'rbf'], 'C': [0.1, 1, 10]}

# 定义交叉验证方法
clf = GridSearchCV(svc, parameters)

# 训练模型
clf.fit(X, y)

# 输出每个参数组合的交叉验证分数
means = clf.cv_results_['mean_test_score']
stds = clf.cv_results_['std_test_score']
for mean, std, params in zip(means, stds, clf.cv_results_['params']):
    print("%0.3f (+/-%0.03f) for %r" % (mean, std * 2, params))

在上面的代码中，我们首先加载了一个经典的鸢尾花数据集。然后，我们定义了一个SVM模型，并指定了需要进行搜索的参数范围。接着，我们使用`GridSearchCV`方法对模型进行训练，该方法会在指定的参数范围内进行搜索，并输出每个参数组合的交叉验证分数。最后，我们使用一个`for`循环遍历所有的参数组合，并输出每个组合的交叉验证分数。