“不要说你做什么事是为了别人，其实都是为了你自己，任何你所做的事都会以某种方式回到你自己的能量环内，无论是好还是坏”
之前介绍了交叉验证，交叉验证是综合评估模型泛化能力的方法，相对于仅仅将数据集划分为训练集和测试集而言，其更加具有普遍性。
为了继续优化模型的泛化能力，我们需要更深入的调参步骤。
我们知道，大部分的模型依赖于参数的调节达到模型更好的得分结果，但是频繁的调参是一个艰巨的任务，而且有可能费力不讨好，那么网格搜索将会大大减轻我们的负担，所谓网格搜索，就是将参数按照网格的形式排列，再利用循环进行一一建模，得到模型的最佳得分和对应的最佳参数，如SVC（高斯内核）需要参数gmma和C参数，我们可以设定好想要的参数，并进行循环一一验证，当然我们需要两个for循环即可，对于简单的网格搜索就不再给出代码啦，就是简单的两个循环即可。
如果我们只是对单一的训练集和测试集进行网格搜索，就会又陷入之前的模型泛化能力不佳的情况，还记得我们解决的方式是交叉验证，为了结合交叉验证的方法，我们也可以将交叉验证加入到网格搜索中，这就是带交叉验证的网格搜索：
for gamma in [ ]:#列表中需自行设定需要选择的参数大小
for C in [ ]:
svm=SVC(gamma=gamma,C=C)
scores=cross_val_score(svm,x,y,cv=5) #加入价差验证
score=np.mean(scores)
if score>bestscore:
bestscore=score
bestpar={‘C’:C,‘gamma’:gamma}
然后我们就可以按照最佳参数去构建模型啦！
梳理上述代码，我们发现其实就是在循环中加入了交叉验证算法而已，那如果仅仅是这样的话，python就不会是最简单的语言啦，没错，python提供了更加简单的方法进行交叉验证网格搜索，那就是GridSearchCV 类，下面我们用酒数据集和套索回归看一下具体的代码：
完蛋了，运行错误，TypeError: get_params() missing 1 required positional argument: 'self’
找了很久都没有找到方法，这是类实例化出现的问题，具体的内容我也搞不清楚，大家可自行去学习
解决的方法是grid_search=GridSearchCV(Lasso(),params,cv=6)，，，Lasso()一定要有括号！！！
我们得到了上面的结果，比自己进行循环要方便很多。
更方便的是，我们可以直接得到估计模型，和预测结果，至此我们发现，其实GridSearchCV 是一个很好的类，其不仅将交叉验证和网格搜索进行结合，还直接将最优的模型保存，因此可以进行直接预测，而不是再依据最佳参数去拟合模型。
最后需要指出的是GridSearchCV 还有一个best_score_属性，这个是交叉验证的最高得分，而不是上面的grid_search.score(x_test,y_test))的得分，这个是我们最优模型下，对测试集的拟合得分，从另一个角度来说，我们不需要再在乎交叉验证的最高得分，我们只需要在乎在交叉验证和网格搜索后，拟合的最佳模型并运用这个模型进行预测即可。
更多方法和属性如下图，或自行去百度哦。
小知识：pycharm中调用函数方法自动补全p,m,c,v,f分别是什么意思？
摘自：https://blog.csdn.net/WBerica/article/details/82753575