adaboost交叉验证求最优迭代次数，并进行预测Python代码

以下是使用Adaboost和交叉验证来选择最优迭代次数以及进行预测的Python代码示例：

from sklearn.ensemble import AdaBoostClassifier
from sklearn.model_selection import cross_val_score
from sklearn.datasets import make_classification
from sklearn.model_selection import train_test_split

# 生成分类数据集
X, y = make_classification(n_samples=1000, n_features=10, n_informative=5, n_classes=2, random_state=42)

# 将数据集分成训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

# 创建Adaboost分类器
ada = AdaBoostClassifier()

# 使用交叉验证来选择最优迭代次数
scores = []
for n_estimators in range(1, 100):
    ada.n_estimators = n_estimators
    score = cross_val_score(ada, X_train, y_train, cv=10).mean()
    scores.append(score)

# 找到最优迭代次数
best_n_estimators = scores.index(max(scores)) + 1
print("Best n_estimators:", best_n_estimators)

# 使用最优迭代次数来训练Adaboost分类器，并进行预测
ada.n_estimators = best_n_estimators
ada.fit(X_train, y_train)
y_pred = ada.predict(X_test)
print("Accuracy:", ada.score(X_test, y_test))

在这个示例中，我们使用`make_classification`生成一个二元分类数据集，将它分成训练集和测试集。然后，我们创建一个`AdaBoostClassifier`对象，并使用交叉验证来选择最优迭代次数。最后，我们使用最优迭代次数来训练分类器，并使用测试数据集进行预测，计算准确率。