对adaboost模型进行5折交叉验证，并用GridSearchCV进行超参搜索，并打印输出每一折的精度

好的，了解了。下面是对Adaboost分类器模型进行5折交叉验证，并用GridSearchCV进行超参搜索，并打印输出每一折的精度的代码实现：

from sklearn.ensemble import AdaBoostClassifier
from sklearn.model_selection import GridSearchCV, cross_val_score, StratifiedKFold
from sklearn.datasets import make_classification

# 生成样本数据
X, y = make_classification(n_samples=1000, n_features=10, n_informative=5, n_classes=2, random_state=123)

# 定义Adaboost分类器
ada_model = AdaBoostClassifier()

# 设置超参数网格搜索范围
params = {'n_estimators': [50, 100, 150], 'learning_rate': [0.01, 0.1, 1.0]}

# 进行网格搜索交叉验证
cv = StratifiedKFold(n_splits=5, shuffle=True, random_state=123)
grid_cv = GridSearchCV(estimator=ada_model, param_grid=params, scoring='accuracy', cv=cv)
grid_cv.fit(X, y)

# 输出每一折的精度
for i, score in enumerate(grid_cv.cv_results_['split0_test_score']):
    print('Fold %d: %.4f' % (i+1, score))

以上代码中，我使用了`make_classification`函数生成了一个二分类的样本数据集，然后定义了一个Adaboost分类器模型，并设置了超参数的搜索范围。接着，使用了`StratifiedKFold`进行5折交叉验证，并使用`GridSearchCV`进行超参数搜索。最后，通过遍历`grid_cv.cv_results_['split0_test_score']`数组输出每一折的精度结果。

需要注意的是，以上代码中的`split0_test_score`表示的是第一折的测试集精度得分，如果需要输出其他折的精度得分，可以将`split0_test_score`中的`0`替换成相应的折数即可。