贝叶斯超参数优化是一种基于贝叶斯优化算法的方法，用于自动调整机器学习模型的超参数。下面是一个使用贝叶斯超参数优化的示例代码：

import numpy as np
from sklearn.model_selection import cross_val_score
from skopt import BayesSearchCV
from sklearn.svm import SVC

# 定义要优化的超参数范围
param_space = {'C': (1e-6, 1e+6, 'log-uniform'),
               'gamma': (1e-6, 1e+1, 'log-uniform'),
               'degree': (1, 8),
               'kernel': ['linear', 'poly', 'rbf', 'sigmoid']}

# 创建模型
model = SVC()

# 创建贝叶斯超参数优化对象
opt = BayesSearchCV(model, param_space, n_iter=50, cv=5)

# 加载数据
X = np.array([[1, 2], [3, 4], [5, 6], [7, 8]])
y = np.array([0, 1, 0, 1])

# 执行贝叶斯超参数优化
opt.fit(X, y)

# 输出最优的超参数和得分
print("Best Score: ", opt.best_score_)
print("Best Params: ", opt.best_params_)

在上面的代码中，我们首先导入了必要的包，然后定义了要优化的超参数范围。接着创建了一个支持向量机模型，然后使用BayesSearchCV类来创建贝叶斯超参数优化对象。最后，我们加载了数据并执行了贝叶斯超参数优化，输出了最优的超参数和得分。

需要注意的是，上述代码中的示例数据是一个简单的二维数组，实际应用中需要根据具体问题加载合适的数据。此外，还可以根据需要调整超参数的范围和步长等参数，以获得更好的超参数优化结果。