knn通过GridSearchCV寻找最优的参数，并给出bestscore。

KNN算法是一种非参数化的机器学习算法，它可以用于分类和回归问题。在KNN算法中，需要选择一个合适的K值，来决定每个测试样本的最近邻居数量。为了找到最优的K值，可以使用GridSearchCV方法。

GridSearchCV是一个用于超参数优化的方法，它会尝试所有可能的参数组合，从而找到最优的参数组合。在KNN算法中，可以通过GridSearchCV搜索最优的K值。

具体操作步骤如下：

1. 导入GridSearchCV和KNeighborsClassifier类

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

2. 定义KNN分类器和参数范围

knn = KNeighborsClassifier()
param_grid = {'n_neighbors': [3, 5, 7, 9, 11]}

3. 使用GridSearchCV进行参数搜索

grid_search = GridSearchCV(knn, param_grid, cv=5, scoring='accuracy')
grid_search.fit(X_train, y_train)

其中，cv参数表示交叉验证的折数，scoring参数表示评估指标。fit方法会对每个参数组合进行交叉验证，并计算平均的评估指标。

4. 输出最优参数和评估指标

print("Best parameters: {}".format(grid_search.best_params_))
print("Best cross-validation score: {:.2f}".format(grid_search.best_score_))

其中，best_params_表示最优的参数组合，best_score_表示最优的评估指标。

通过GridSearchCV方法，我们可以找到最优的K值，并得到对应的评估指标。