贝叶斯优化是一种用于优化黑盒函数的方法，通常用于调参问题。它通过不断地探索和利用已知的最优解来提高预测准确性。下面是一个示例代码，用贝叶斯优化来优化SVM分类器的参数：

from sklearn.svm import SVC
from sklearn.datasets import load_iris
from sklearn.model_selection import cross_val_score
from bayes_opt import BayesianOptimization

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

# 定义黑盒函数
def svm_cv(C, gamma):
    # 定义SVM分类器
    svc = SVC(C=C, gamma=gamma, random_state=42)
    # 计算交叉验证分数
    scores = cross_val_score(svc, X, y, cv=5)
    # 返回平均分数
    return scores.mean()

# 定义参数空间
pbounds = {'C': (0.001, 10), 'gamma': (0.001, 1)}

# 实例化贝叶斯优化对象
optimizer = BayesianOptimization(
    f=svm_cv,
    pbounds=pbounds,
    verbose=2,
    random_state=42,
)

# 进行优化
optimizer.maximize(n_iter=10)

# 输出最优参数和对应的预测准确性
print(optimizer.max)

运行上述代码后，贝叶斯优化将会搜索最优的C和gamma参数，使得SVM分类器的预测准确性最高。通过不断地进行参数探索和利用已知的最优解，贝叶斯优化可以帮助提高预测准确性。