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，您的问题是如何对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。下面是代码实现：

from sklearn.ensemble import AdaBoostClassifier
from sklearn.model_selection import GridSearchCV, KFold
from sklearn.metrics import accuracy_score

# 准备数据
X = ... # 特征向量
y = ... # 标签

# 定义AdaBoost模型和超参空间
model = AdaBoostClassifier()
params = {
    "n_estimators": [50, 100, 200],
    "learning_rate": [0.1, 0.5, 1.0]
}

# 定义5折交叉验证和GridSearchCV
cv = KFold(n_splits=5, shuffle=True, random_state=42)
grid = GridSearchCV(model, params, cv=cv, scoring="accuracy")

# 循环交叉验证并输出每一折的精度
for i, (train_idx, test_idx) in enumerate(cv.split(X)):
    # 获取训练集和测试集
    X_train, y_train = X[train_idx], y[train_idx]
    X_test, y_test = X[test_idx], y[test_idx]
    
    # 在训练集上进行网格搜索
    grid.fit(X_train, y_train)
    
    # 获取最优模型并在测试集上进行预测
    best_model = grid.best_estimator_
    y_pred = best_model.predict(X_test)
    
    # 输出精度
    acc = accuracy_score(y_test, y_pred)
    print("Fold %d accuracy: %.4f" % (i+1, acc))

以上代码使用了KFold实现了5折交叉验证，并使用GridSearchCV进行超参搜索。在循环中，我们将数据集分为训练集和测试集，并在训练集上进行网格搜索。然后，我们使用最优模型在测试集上进行预测，并输出精度。