网格搜索法非常简单，它通过对我们指定的不同超参列表进行暴力穷举搜索，并计算评估每个组合对模型性能的影响，以获得参数的最优组合。
使用上述代码，我们初始化了一个sklearn.grid_search模块下的GridSearchCV对象，用于对支持向量机流水线的训练与调优。我们将GridSearchCV的param_grid参数以字典的方式定义为待调优的参数。对线性SVM来说，我们只需调优正则化参数（C）；对基于RBF的核SVM来说，我们同时需要调优C和gamma参数。请注意此处的gamma是针对核SVM特别定义的。在训练数据集上完成网格搜索后，可以通过best_scroe_属性得到最优模型的性能评分，具体参数信息可通过best_params_属性得到。在本例中，当'cfl_C'＝0.1时，线性SVM模型可得到的最优k折交叉验证准确率为97.8%。
最后，我们将使用独立的测试数据集，通过GridSearchCV对象的best_estimator_属性对最优模型进行性能评估：
虽然网格搜索是寻找最优参数集合的一种功能强大的方法，但评估所有参数组合的计算成本也是相当昂贵的。使用scikit-learn抽取不同参数组合的另一种方法就是随机搜索（randomized search）。借助于scikit-learn中的RandomizedSearchCV类，我们可以以特定的代价从抽样分布中抽取出随机的参数组合。关于此方法的更详细细节及其示例请访问链接：http://scikit-learn.org/stable/modules/grid_search.html#randomized-parameter-optimization。