以下是一个使用GridSearchCV进行参数调优的示例代码，其中包括Scaling和PCA作为参数进行调优：

from sklearn.datasets import load_iris
from sklearn.model_selection import GridSearchCV, train_test_split
from sklearn.preprocessing import StandardScaler
from sklearn.decomposition import PCA
from sklearn.svm import SVC

# 加载数据集
iris = load_iris()
X = iris.data
y = iris.target

# 数据预处理：特征缩放
scaler = StandardScaler()
X_scaled = scaler.fit_transform(X)

# 数据预处理：特征降维
pca = PCA()
X_pca = pca.fit_transform(X_scaled)

# 划分训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X_pca, y, test_size=0.2, random_state=0)

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

# 创建模型对象
svm = SVC()

# 创建GridSearchCV对象
grid_search = GridSearchCV(estimator=svm, param_grid=param_grid, cv=5)

# 在训练集上进行参数搜索
grid_search.fit(X_train, y_train)

# 输出最佳参数和得分
print("Best parameters: ", grid_search.best_params_)
print("Best score: ", grid_search.best_score_)

# 在测试集上进行评估
best_model = grid_search.best_estimator_
accuracy = best_model.score(X_test, y_test)
print("Test accuracy: ", accuracy)

在上述代码中，首先加载了鸢尾花数据集，并进行了特征缩放和特征降维处理。然后，使用train_test_split函数将数据集划分为训练集和测试集。

接下来，定义了一个参数网格param_grid，包括不同的C、gamma和kernel的取值。然后创建了一个SVC模型对象svm。

然后，通过GridSearchCV对象grid_search进行参数搜索，其中estimator参数指定了使用的模型对象svm，param_grid参数指定了参数搜索范围，cv参数指定了交叉验证的折数。

在训练集上进行参数搜索后，可以输出最佳参数和得分。

最后，使用best_estimator_属性获取最佳模型，并在测试集上进行评估，输出准确率。