mor = MultiOutputRegressor(XGBRegressor(objective='reg:squarederror',n_estimators=100,learning_rate=0.1,max_depth=100)) mor.fit(x_train, y_train)如何修改这个代码，让它变成一个不同n_estimators循环下的代码

您可以使用一个for循环来遍历不同的n_estimators值，并对每个n_estimators值训练一个模型并计算其性能。下面是一个示例代码：

import numpy as np
from sklearn.multioutput import MultiOutputRegressor
from xgboost import XGBRegressor
from sklearn.metrics import mean_squared_error

# 定义参数范围
n_estimators_range = [50, 100, 150]

# 训练并评估模型
for n_estimators in n_estimators_range:
    # 定义模型
    model = MultiOutputRegressor(XGBRegressor(objective='reg:squarederror', n_estimators=n_estimators, learning_rate=0.1, max_depth=100))
    # 训练模型
    model.fit(x_train, y_train)
    # 预测
    y_pred = model.predict(x_test)
    # 计算RMSE
    rmse = np.sqrt(mean_squared_error(y_test, y_pred))
    # 打印性能结果
    print("n_estimators = {}  RMSE = {}".format(n_estimators, rmse))

在上面的代码中，我们首先定义了要遍历的n_estimators的范围。然后我们使用一个for循环来遍历每个n_estimators值，训练一个模型并计算其性能。最后打印出每个模型的性能结果。