python网格搜索优化参数

在Python中，可以使用Scikit-learn库的GridSearchCV类来进行网格搜索优化参数。GridSearchCV可以帮助你系统地遍历参数组合，以找到最佳的模型参数配置。

下面是一个示例代码，演示如何使用GridSearchCV进行网格搜索优化参数：

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

# 加载数据
iris = load_iris()
X = iris.data
y = iris.target

# 定义要调优的参数网格
param_grid = {
    'C': [0.1, 1, 10, 100],  # 正则化参数C的候选值
    'gamma': [0.1, 1, 10, 100],  # 核函数参数gamma的候选值
    'kernel': ['rbf', 'linear']  # 核函数类型的候选值
}

# 创建SVC分类器
svc = SVC()

# 创建GridSearchCV对象
grid_search = GridSearchCV(svc, param_grid, cv=5)

# 执行网格搜索
grid_search.fit(X, y)

# 输出最佳参数配置和最佳得分
print("Best parameters: ", grid_search.best_params_)
print("Best score: ", grid_search.best_score_)

在上面的示例中，首先加载了鸢尾花数据集（iris），然后定义了要调优的参数网格（param_grid）。接下来，创建了一个SVC分类器对象和一个GridSearchCV对象，其中GridSearchCV的第一个参数是分类器对象，第二个参数是参数网格，第三个参数是交叉验证的折数（这里设为5折交叉验证）。

最后，调用fit方法执行网格搜索。执行完毕后，通过best_params_属性可以获取最佳参数配置，通过best_score_属性可以获取最佳得分。

可以根据自己的需求修改参数网格和分类器对象，进行不同模型的参数优化。注意，网格搜索可能会消耗较长的时间，特别是在参数空间较大时，所以在实际应用中需要考虑时间成本。