以AQI作为目标变量，分别建立AdaBoost回归模型和GBDT回归模型；

AdaBoost回归模型：

AdaBoost（Adaptive Boosting）是一种集成学习算法，它将多个弱分类器组合成一个强分类器。在回归问题中，可以使用AdaBoost回归模型进行预测。

首先，需要将数据分成训练集和测试集。然后，使用AdaBoostRegressor类建立模型，并设置基本估计器为DecisionTreeRegressor类。在模型拟合过程中，可以设置学习率、基本估计器数量和最大深度等参数。

代码如下：

from sklearn.ensemble import AdaBoostRegressor
from sklearn.tree import DecisionTreeRegressor
from sklearn.metrics import mean_squared_error
from sklearn.model_selection import train_test_split

# 分离目标变量和特征变量
X = data.drop(['AQI'], axis=1)
y = data['AQI']

# 分离训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=2022)

# 建立AdaBoost回归模型
ada = AdaBoostRegressor(base_estimator=DecisionTreeRegressor(max_depth=3),
                        learning_rate=0.1,
                        n_estimators=100,
                        random_state=2022)
ada.fit(X_train, y_train)

# 预测测试集
y_pred = ada.predict(X_test)

# 计算均方误差
mse = mean_squared_error(y_test, y_pred)
print('MSE:', mse)

GBDT回归模型：

GBDT（Gradient Boosting Decision Tree）是一种集成学习算法，它也是将多个弱分类器组合成一个强分类器。在回归问题中，可以使用GBDT回归模型进行预测。

与AdaBoost回归模型类似，需要将数据分成训练集和测试集。然后，使用GradientBoostingRegressor类建立模型，并设置基本估计器为DecisionTreeRegressor类。在模型拟合过程中，可以设置学习率、基本估计器数量和最大深度等参数。

代码如下：

from sklearn.ensemble import GradientBoostingRegressor
from sklearn.tree import DecisionTreeRegressor
from sklearn.metrics import mean_squared_error
from sklearn.model_selection import train_test_split

# 分离目标变量和特征变量
X = data.drop(['AQI'], axis=1)
y = data['AQI']

# 分离训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=2022)

# 建立GBDT回归模型
gbdt = GradientBoostingRegressor(loss='ls',
                                 learning_rate=0.1,
                                 n_estimators=100,
                                 max_depth=3,
                                 random_state=2022)
gbdt.fit(X_train, y_train)

# 预测测试集
y_pred = gbdt.predict(X_test)

# 计算均方误差
mse = mean_squared_error(y_test, y_pred)
print('MSE:', mse)