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，以下是对adaboost模型进行5折交叉验证并用GridSearchCV进行超参搜索的示例代码：

from sklearn.ensemble import AdaBoostClassifier
from sklearn.model_selection import GridSearchCV, cross_val_score
from sklearn.datasets import load_iris

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

# 定义adaboost模型
ada = AdaBoostClassifier(random_state=42)

# 定义超参数搜索范围
param_grid = {
    'n_estimators': [50, 100, 200],
    'learning_rate': [0.1, 0.5, 1.0]
}

# 使用GridSearchCV进行超参数搜索
grid_search = GridSearchCV(ada, param_grid=param_grid, cv=5)
grid_search.fit(X, y)

# 输出每一折的精度
scores = cross_val_score(grid_search, X, y, cv=5)
print("每一折的精度为：", scores)

以上代码中，我们首先加载了鸢尾花数据集，然后定义了adaboost模型。接着，我们定义了超参数搜索范围，即n_estimators和learning_rate两个参数分别取50、100、200和0.1、0.5、1.0三个值。然后使用GridSearchCV进行超参数搜索，并用交叉验证的方式对模型进行评估。最后输出了每一折的精度。