grid_search = GridSearchCV(svm_clf, param_grid, cv=5)

这是一个使用GridSearchCV进行超参数调优的示例代码。GridSearchCV是scikit-learn提供的一个超参数调优工具，能够自动化地搜索给定参数组合的最优解。

在这个例子中，我们使用了支持向量机分类器（svm_clf）作为模型，并指定了一系列参数（param_grid）进行调优。cv参数表示使用5折交叉验证进行模型评估。

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

# 导入数据集
iris = load_iris()
X = iris.data
y = iris.target

# 将数据集分为训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=42)

# 创建svm分类器
svm_clf = SVC()

# 设置参数组合
param_grid = {
    'C': [0.1, 1, 10],
    'kernel': ['linear', 'poly', 'rbf']
}

# 使用GridSearchCV进行超参数调优
grid_search = GridSearchCV(svm_clf, param_grid, cv=5)
grid_search.fit(X_train, y_train)

# 输出最优参数及分数
print("最优参数：", grid_search.best_params_)
print("最优分数：", grid_search.best_score_)

在这个例子中，我们搜索了不同的惩罚参数C和核函数类型kernel的组合，GridSearchCV会自动地搜索所有组合，并返回最优的参数组合及其对应的分数。

你可以根据自己的需求修改参数组合，进行不同模型的超参数调优。