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，下面是对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

# 创建模型
adaboost = AdaBoostClassifier()

# 定义超参数搜索空间
param_grid = {'n_estimators': [50, 100, 200],
              'learning_rate': [0.01, 0.1, 1.0]}

# 进行网格搜索
grid_search = GridSearchCV(adaboost, param_grid=param_grid, cv=5)
grid_search.fit(X, y)

# 输出每一折的精度
print('每一折的精度：', cross_val_score(grid_search.best_estimator_, X, y, cv=5))

在这个示例代码中，我们使用了sklearn中的`AdaBoostClassifier`模型，并定义了一个超参数搜索空间`param_grid`。然后，我们使用`GridSearchCV`进行超参数搜索，并将其拟合到数据集上。最后，我们使用`cross_val_score`函数对每一折的精度进行评估并输出。