在机器学习的上下文中，超参数是在开始学习过程之前设置值的参数，而不是通过训练得到的参数数据。通常情况下，需要对超参数进行优化，给学习机选择一组最优超参数，以提高学习的性能和效果。
我们需要使用一些工具和方法找出最优超参数，网格搜索是一种。
sklearn 提供了一个 GridSearchCV 类，可实现网络搜索。
from sklearn.model_selection import GridSearchCV
网格搜索的建立在交叉验证的基础上。
交叉验证对训练集等分成N份，N为用户指定的值，比如可指定为10，即为10折交叉验证。
将其中一份作为验证集，其余N-1份作为训练集，经过N次测试，每次都更换不同的验证集，得到N个模型结果，取最优结果。
例如对KNN的K值进行参数调优，把一组K值传入网格搜索中，找出最优值：
# 加载iris数据集，并构建knn模型，此处省略
# 超参数组
params = {"n_neighbors": [3, 5, 8, 12]}
# param_grid为参数组字典，cv为多少折交叉验证
search = GridSearchCV(knn, param_grid=params, cv=10)
search.fit(data_train, target_train)
# 交叉验证中最好的准确率
print(search.best_score_)
# 最好的模型
print(search.best_estimator_)
# 最好的参数
print(search.best_params_)
# 网格搜索准确率
print(search.score(data_test, target_test))
输出：
****************************** 交叉验证中最好的准确率 ******************************
0.9732142857142857
****************************** 最好的模型 ******************************
KNeighborsClassifier(algorithm='auto', leaf_size=30, metric='minkowski',
metric_params=None, n_jobs=1, n_neighbors=8, p=2,
weights='uniform')
****************************** 最好的参数 ******************************
{'n_neighbors': 8}
****************************** 网格搜索准确率 ******************************
0.9473684210526315
