GridSearchCV，网格搜索，可以根据特定的评价标准，对给出的模型参数寻找出最优解，是一个很方便也很强大的
这是官方文档 https://scikit-learn.org/stable/modules/generated/sklearn.model_selection.GridSearchCV.html
class sklearn.model_selection.GridSearchCV(estimator, param_grid, scoring=None, n_jobs=None, iid=’warn’, refit=True, cv=’warn’, verbose=0, pre_dispatch=‘2*n_jobs’, error_score=’raise-deprecating’, return_train_score=False)
参数详解： estimator：estimator object. 分类器选择，可为Pipeline，其中分类器必须有一个score方法或者提供一个scoring参数
param_grid：dict or list of dictionaries 最优化参数的取值，字典或者列表形式
scoring：string, callable, list/tuple, dict or None, default: None 模型评价标准，
n_jobs：int or None, optional (default=None) 并行数，默认为1，填-1表示使用所有线程 iid：int, or string, optional 如果为True，则返回折叠的平均分数，并按每个测试集中的样本数加权。在这种情况下，假设数据在折叠中相同地分布，并且最小化的损失是每个样本的总损失，而不是折叠的平均损失。如果为False，则返回折叠的平均分数。
pre_dispatch : int, or string, optional： 控制在并行执行期间调度的作业数。默认None，在这种情况下，所有job都会立即创建并生成。也可制定总数量
refit：boolean, string, or callable, default=True 顾名思义就是再一次fit的过程，默认为True，使用找到的最佳参数再一次fit所以数据
cv：int, cross-validation generator or an iterable, optional 交叉验证，默认为None，即使用3折，可指定数量
verbose：integer 日志冗长度，控制详细程度，值越大，信息越多
error_score: 如果模型拟合中发生错误，则score等于给定的值
return_train_score: 默认Flase，cv_results_属性不包括训练分数，计算训练集上的分数可能在计算上是昂贵的
实战往往能更好的理解函数，具体可以看博主的另一篇数据挖掘推文，可以更深刻的理解用法 传送门
