交叉验证：就是在训练集里面分出来一部分数据，用于验证，这部分数据叫做验证集。比如分成四部分，每一部分都轮流用于验证，叫做4折交叉验证。
超参数搜索-网格搜索，手动指定参数叫做超参数。
首先引入相应的类，
from sklearn.model_selection import GridSearchCV
然后需要在引入分类器之后，引入GridSearchCV，还以鸢尾花为例：
def knn_iris_gscv():
# 1.获取数据
iris = load_iris()
# 2.划分数据集
x_train, x_test, y_train, y_test = train_test_split(iris.data, iris.target, random_state=6)
# 3.特征工程：标准化
transfer = StandardScaler()
x_train = transfer.fit_transform(x_train)
x_test = transfer.fit_transform(x_test)
# 4.KNN算法预估器
estimator = KNeighborsClassifier(n_neighbors=3)
#加入网格与交叉验证
# 参数准备
param_dict={"n_neighbors":[1,3,5,7,9]}
estimator=GridSearchCV(estimator,param_grid=param_dict,cv=10)
estimator.fit(x_train,y_train)
# 5.模型评估
# 1.直接比对
y_predict = estimator.predict(x_test)
print("y_predict:\n", y_predict)
print("直接比对真实值和预测值：\n", y_test == y_predict)
# 2.计算准确率
score = estimator.score(x_test, y_test)
print("准确率为：\n", score)
#最佳参数：best_params_
print("最佳参数：\n",estimator.best_params_)
#最佳结果：best_score_
print("最佳结果：\n",estimator.best_score_)
#最佳估计器：best_estimator_
print("最佳估计器：\n",estimator.best_estimator_)
#交叉验证结果：cv_results_
print("交叉验证结果：\n",estimator.cv_results_)
return None
结果为：