基于鸢尾花数据，应用GridSearchCV方法寻找最优SVM模型的核心代码如下

好的，以下是基于鸢尾花数据，应用GridSearchCV方法寻找最优SVM模型的核心代码：

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

# 加载鸢尾花数据
iris = load_iris()
X = iris.data
y = iris.target

# 划分训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=0)

# 定义SVM模型
svm_model = SVC()

# 定义参数搜索范围
param_grid = {'C': [0.1, 1, 10, 100], 'gamma': [0.1, 1, 10, 100], 'kernel': ['linear', 'rbf', 'poly', 'sigmoid']}

# 使用GridSearchCV方法进行参数搜索
grid_search = GridSearchCV(svm_model, param_grid, cv=5)

# 在训练集上拟合模型
grid_search.fit(X_train, y_train)

# 输出最优参数和最优得分
print("最优参数：", grid_search.best_params_)
print("最优得分：", grid_search.best_score_)

以上代码中，我们首先加载鸢尾花数据，然后将数据划分为训练集和测试集。我们定义了一个SVM模型，然后定义了参数搜索范围。接着，我们使用GridSearchCV方法，对SVM模型进行参数搜索，搜索的范围是我们之前定义的参数搜索范围。最后，我们在训练集上拟合模型，输出最优参数和最优得分。