生成上述算法的十次十折交叉验证法，不用sklearn

下面是使用十次十折交叉验证法评估 Adaboost 算法的代码实现，不使用 sklearn 库：

import numpy as np

# 假设 X 和 y 是输入数据和标签
X = ...
y = ...
n_splits = 10
n_estimators = 50

# 定义十次十折交叉验证
scores = []
for _ in range(10):
    indices = np.random.permutation(len(X))
    X_shuffled = X[indices]
    y_shuffled = y[indices]
    
    fold_size = len(X) // n_splits
    
    # 保存每次验证的准确率
    fold_scores = []
    
    for i in range(n_splits):
        test_start = i * fold_size
        test_end = (i + 1) * fold_size
        
        # 划分训练集和测试集
        X_test = X_shuffled[test_start:test_end]
        y_test = y_shuffled[test_start:test_end]
        X_train = np.concatenate((X_shuffled[:test_start], X_shuffled[test_end:]))
        y_train = np.concatenate((y_shuffled[:test_start], y_shuffled[test_end:]))
        
        # 创建 Adaboost 模型并进行训练
        model = Adaboost(n_estimators=n_estimators)
        model.fit(X_train, y_train)
        
        # 在测试集上进行预测
        y_pred = model.predict(X_test)
        
        # 计算准确率并保存
        acc = accuracy_score(y_test, y_pred)
        fold_scores.append(acc)
    
    # 计算当前轮的平均准确率并保存
    scores.append(np.mean(fold_scores))

# 打印平均准确率
print("Average Accuracy:", np.mean(scores))

在这段代码中，我们使用 `np.random.permutation` 对数据集进行洗牌，然后将数据集分成十个折。在每一轮的十折交叉验证中，我们使用索引划分训练集和测试集，并创建一个新的 Adaboost 模型进行训练。最后，我们计算每次验证的准确率，并计算平均准确率作为最终的评估结果。