假设你正在使用一个名为model的机器学习模型，以下是一个示例代码：
from sklearn.model_selection import GridSearchCV

定义要调整的超参数网格

param_grid = {
'param1': [value1, value2, ...],
'param2': [value1, value2, ...],
# 添加其他超参数及其可能的值
}

创建一个GridSearchCV对象，传入模型和超参数网格

grid_search = GridSearchCV(model, param_grid, cv=5, scoring='accuracy')

使用训练数据进行拟合

grid_search.fit(X_train, y_train)

输出最佳超参数组合

print("最佳超参数组合:", grid_search.best_params_)

输出最佳模型的性能得分

print("最佳模型得分:", grid_search.best_score_)

使用最佳超参数训练最终模型

best_model = grid_search.best_estimator_
best_model.fit(X_train, y_train)

使用测试数据评估最佳模型性能

accuracy = best_model.score(X_test, y_test)
print("最佳模型在测试集上的准确率:", accuracy)

上述代码中，你需要替换model、param_grid、X_train、y_train和X_test、y_test为你的实际模型、超参数、训练数据和测试数据。GridSearchCV会尝试不同的超参数组合，并返回性能最佳的模型和参数。

by chatgpt