GridSearchCV中使用混淆矩阵代码

GridSearchCV是一个用于超参数调优的工具，它可以帮助我们自动地搜索最佳超参数的组合。在使用GridSearchCV进行模型训练时，我们可以通过设置参数scoring来选择模型评估方法，其中可以选择使用混淆矩阵进行评估。

下面是一个使用GridSearchCV和混淆矩阵进行模型训练和评估的示例代码：

from sklearn.metrics import confusion_matrix
from sklearn.model_selection import GridSearchCV
from sklearn.svm import SVC
from sklearn.datasets import load_digits

# 加载手写数字数据集
digits = load_digits()

# 定义SVC模型和超参数搜索范围
svc = SVC()
param_grid = {
    'C': [0.1, 1, 10],
    'kernel': ['linear', 'rbf']
}

# 定义混淆矩阵打印函数
def print_confusion_matrix(y_true, y_pred):
    cm = confusion_matrix(y_true, y_pred)
    print('Confusion matrix:\n{}'.format(cm))

# 使用GridSearchCV进行模型训练和超参数搜索
grid_search = GridSearchCV(svc, param_grid=param_grid, scoring='accuracy', cv=5)
grid_search.fit(digits.data, digits.target)

# 打印最佳超参数和最佳得分
print('Best parameters: {}'.format(grid_search.best_params_))
print('Best score: {:.2f}'.format(grid_search.best_score_))

# 计算测试集上的预测结果并打印混淆矩阵
y_pred = grid_search.predict(digits.data)
print_confusion_matrix(digits.target, y_pred)

在上述示例代码中，我们首先加载手写数字数据集，然后定义了一个SVC模型和超参数搜索范围。接着，我们定义了一个打印混淆矩阵的函数print_confusion_matrix。

然后，我们使用GridSearchCV进行模型训练和超参数搜索，其中设置了参数scoring为'accuracy'来进行模型评估。最后，我们使用训练好的模型对测试集进行预测，并调用print_confusion_matrix函数来打印测试集上的混淆矩阵。