机器学习中根据训练组中及验证组的AUC均大于075且训练组AUC和验证组AUC差值小于01两个条件对SVM进行随机网格搜索调参若不满足条件则一直进行调参最终输出最佳参数模型python代码

以下是一个简单的示例代码：

from sklearn.model_selection import GridSearchCV
from sklearn.metrics import roc_auc_score
from sklearn.svm import SVC
import numpy as np

# 生成训练集和验证集
X_train = np.random.rand(100, 10)
y_train = np.random.randint(0, 2, size=100)
X_val = np.random.rand(50, 10)
y_val = np.random.randint(0, 2, size=50)

# 定义SVM模型
svm = SVC()

# 定义参数网格
param_grid = {
    'C': [0.1, 1, 10],
    'kernel': ['linear', 'rbf', 'poly'],
    'gamma': ['scale', 'auto']
}

# 定义参数搜索器
searcher = GridSearchCV(svm, param_grid, cv=5, scoring='roc_auc')

# 进行参数搜索
best_auc = 0
while best_auc < 0.75 or abs(best_train_auc - best_val_auc) > 0.1:
    searcher.fit(X_train, y_train)
    best_params = searcher.best_params_
    svm.set_params(**best_params)
    svm.fit(X_train, y_train)
    y_train_pred = svm.predict_proba(X_train)[:, 1]
    y_val_pred = svm.predict_proba(X_val)[:, 1]
    best_train_auc = roc_auc_score(y_train, y_train_pred)
    best_val_auc = roc_auc_score(y_val, y_val_pred)
    best_auc = max(best_train_auc, best_val_auc)

# 输出最佳参数模型
print("Best parameters: ", best_params)
print("Best AUC on train set: ", best_train_auc)
print("Best AUC on validation set: ", best_val_auc)

在这个示例中，我们使用了sklearn中的GridSearchCV进行参数搜索，将搜索范围限定在C、kernel和gamma三个参数上。我们首先使用搜索器对模型进行训练，并获取最佳参数。然后，我们使用最佳参数重新构建SVM模型，并在训练集和验证集上进行预测，计算AUC值。如果AUC值满足条件，则停止调参，输出最佳参数模型的参数和AUC值。否则，我们继续进行参数搜索，直到满足条件为止