GridSearchCV(estimator, param_grid, scoring=None, fit_params=None, n_jobs=1, iid=True, refit=True, cv=None, verbose=0, pre_dispatch='2*n_jobs', error_score='raise', return_train_score=True)
Parameters：
estimator：所使用的分類器，或者pipeline
param_grid：值為字典或者列表，即需要最優化的參數的取值
scoring：准確度評價標准，默認None,這時需要使用score函數；或者如scoring='roc_auc'，根據所選模型不同，評價准則不同。字符串（函數名），或是可調用對象，需要其函數簽名形如：scorer(estimator, X, y)；如果是None，則使用estimator的誤差估計函數。
n_jobs：並行數，int：個數,-1：跟CPU核數一致, 1:默認值。
pre_dispatch：指定總共分發的並行任務數。當n_jobs大於1時，數據將在每個運行點進行復制，這可能導致OOM，而設置pre_dispatch參數，則可以預先划分總共的job數量，使數據最多被復制pre_dispatch次
iid：默認True,為True時，默認為各個樣本fold概率分布一致，誤差估計為所有樣本之和，而非各個fold的平均。
cv：交叉驗證參數，默認None，使用三折交叉驗證。指定fold數量，默認為3，也可以是yield訓練/測試數據的生成器。
refit：默認為True,程序將會以交叉驗證訓練集得到的最佳參數，重新對所有可用的訓練集與開發集進行，作為最終用於性能評估的最佳模型參數。即在搜索參數結束后，用最佳參數結果再次fit一遍全部數據集。
verbose：日志冗長度，int：冗長度，0：不輸出訓練過程，1：偶爾輸出，>1：對每個子模型都輸出。
Attributes：
best_estimator_：效果最好的分類器
best_score_：成員提供優化過程期間觀察到的最好的評分
best_params_：描述了已取得最佳結果的參數的組合
best_index_：對應於最佳候選參數設置的索引(cv_results_數組的索引)。
Methods：
decision_function:使用找到的參數最好的分類器調用decision_function。
fit(X, y=None, groups=None, **fit_params):訓練
get_params(deep=True):獲取這個估計器的參數。
predict(X):用找到的最佳參數調用預估器。(直接預測每個樣本屬於哪一個類別)
predict_log_proda(X):用找到的最佳參數調用預估器。（得到每個測試集樣本在每一個類別的得分取log情況）
predict_proba(X):用找到的最佳參數調用預估器。（得到每個測試集樣本在每一個類別的得分情況）
score(X, y=None)：返回給定數據上的得分，如果預估器已經選出最優的分類器。
transform(X):調用最優分類器進行對X的轉換。
再寫寫最近的感受吧：最近一直在忙着秋招，情緒不是很高漲，（自己是數學專業的，自學的Python以及計算機的其他知識，不想當老師，也因為各種原因不想考研）因為沒有看到希望，整天都在看書，刷題，希望能夠得到某一位公司的垂青！！！一會要去參加一場宣講會，希望會有好的收獲吧！！！希望未來可期，雖然我不是學計算機的，但是我有學習能力，我肯努力呀！希望有人能夠看到我！！！