用GridSearch优化SVM参数过程

GridSearch是一种常用的参数优化方法，可以帮助我们快速找到最优的参数组合。下面是使用GridSearch优化SVM参数的步骤：

1. 导入所需的库和数据集。

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

iris = datasets.load_iris()
X = iris.data
y = iris.target

2. 设置SVM的参数范围。

parameters = {'kernel':('linear', 'rbf'), 'C':[1, 10]}

这里我们设置了SVM的核函数（kernel）可以是线性或径向基函数（rbf），C取值为1或10。

3. 创建SVM模型和GridSearch对象。

svc = svm.SVC()
clf = GridSearchCV(svc, parameters)

这里我们创建了一个SVM模型和一个GridSearch对象。

4. 使用训练数据拟合模型。

clf.fit(X, y)

这里我们使用iris数据集进行了训练。

5. 查看最优参数组合。

print(clf.best_params_)

这里我们输出了最优参数组合。

6. 查看最优模型的性能。

print(clf.best_score_)

这里我们输出了最优模型的性能。

这就是使用GridSearch优化SVM参数的基本步骤。