设计一下代码对GPR进行超参数调优

在机器学习中，尤其是使用支持向量机（SVM）或者随机森林等模型进行高维数据处理时，比如光谱反射率（GPR, Ground Penetrating Radar）的数据分析，超参数调优是一个重要的步骤，它可以帮助提高模型的性能。这里我们可以使用网格搜索、随机搜索或者更高级的优化算法如贝叶斯优化来进行。

以下是一个简单的Python示例，使用sklearn库进行GridSearchCV（网格搜索）来对SVM的超参数进行调优：

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

# 假设我们有一个预处理过的GPR数据集X and labels y
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2)

# 定义超参数范围，这里是SVC的一些常用参数
param_grid = {
    'C': [0.1, 1, 10, 100],   # SVM的惩罚系数
    'kernel': ['linear', 'poly', 'rbf', 'sigmoid'],  # 内核函数
    'gamma': ['scale', 'auto']  # 对于RBF和poly kernel的参数
}

# 创建SVC模型并进行网格搜索
svc = SVC()
grid_search = GridSearchCV(svc, param_grid, cv=5)  # 交叉验证次数
grid_search.fit(X_train, y_train)

# 输出最佳参数组合及其得分
print("Best parameters found: ", grid_search.best_params_)
print("Best score: ", grid_search.best_score_)

# 使用最优参数训练模型
best_svc = grid_search.best_estimator_
best_svc.fit(X_train, y_train)
predictions = best_svc.predict(X_test)