python GridSearchCV

GridSearchCV是scikit-learn库中的一个模型选择工具，用于通过穷举搜索方式找到最佳的模型超参数组合。它通过交叉验证来评估不同参数组合下的模型性能，并返回最优参数组合所对应的模型。

在Python中使用GridSearchCV时，你需要先定义一个模型对象，然后定义一个参数网格，即参数的可能取值范围。接下来，将模型对象和参数网格作为输入，传递给GridSearchCV对象，并指定评分指标和交叉验证的折数。最后，调用GridSearchCV对象的fit方法，开始使用交叉验证和网格搜索来拟合模型并找到最佳参数组合。

下面是一个示例代码，展示了如何使用GridSearchCV来寻找SVM模型的最佳C和gamma参数：

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

# 定义SVM模型对象
svm_model = SVC()

# 定义参数网格
param_grid = {'C': [1,10, 100], 'gamma': [0.1, 0.01, 0.001]}

# 创建GridSearchCV对象
grid_search = GridSearchCV(svm_model, param_grid, scoring='accuracy', cv=5)

# 对数据进行拟合和参数搜索
grid_search.fit(X, y)

# 打印最佳参数组合和对应的评分
print(grid_search.best_params_)
print(grid_search.best_score_)

在这个例子中，我们定义了一个SVC（支持向量机分类器）的模型对象，然后通过param_grid指定了C和gamma两个参数的可能取值范围。接下来，我们创建了一个GridSearchCV对象，并指定了评分指标为准确率，交叉验证的折数为5。最后，调用fit方法对数据进行拟合和参数搜索，并打印出最佳参数组合和对应的评分。

通过GridSearchCV，你可以方便地尝试不同的参数组合，从而找到最佳的模型超参数配置。同时，它也提供了更可靠的评估指标，帮助你选择最适合的模型。