首先将数据分成训练（80%）和测试集（20%）。接下来，通过进一步将训练数据重复分成80%训练集和20%验证集进行五重交叉验证，以确定最佳超参数设置，进而使用最佳超参数在完整的训练数据上训练模型，并在测试集上测试训练后的模型。如何用代码实现

下面是一个实现该过程的代码示例，其中假设原始数据集为X和y：

from sklearn.model_selection import train_test_split, GridSearchCV, StratifiedKFold
from sklearn.linear_model import LogisticRegression

# 将数据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)

# 定义逻辑回归模型和超参数搜索范围
lr = LogisticRegression()
param_grid = {'C': [0.1, 1, 10], 'penalty': ['l1', 'l2']}

# 定义五重交叉验证
cv = StratifiedKFold(n_splits=5, shuffle=True, random_state=42)

# 使用网格搜索方法进行参数调优
lr_grid = GridSearchCV(estimator=lr, param_grid=param_grid, cv=cv, scoring='roc_auc')
lr_grid.fit(X_train, y_train)

# 输出最佳超参数和对应的性能指标
print("Best parameters: ", lr_grid.best_params_)
print("Best AUC score: ", lr_grid.best_score_)

# 使用最佳超参数在完整的训练集上训练模型
lr_best = LogisticRegression(**lr_grid.best_params_)
lr_best.fit(X_train, y_train)

# 在测试集上测试训练后的模型，并输出性能指标
y_pred = lr_best.predict(X_test)
auc_score = roc_auc_score(y_test, y_pred)
print("Test AUC score: ", auc_score)

上述代码中，首先使用train_test_split函数将数据集划分成训练集和测试集。接着，定义模型和超参数搜索范围，并使用GridSearchCV函数进行五重交叉验证和参数调优。最后，使用最佳超参数在完整的训练集上训练模型，并在测试集上测试训练后的模型，输出性能指标。