要对lgbm模型进行5折交叉验证，并根据类别对模型进行权重调整，并使用GridSearchCV进行超参搜索，并输出每一折的精度，你可以这样做：

你可以这样做:

1. 首先，你需要安装 LightGBM 库和 scikit-learn 库。

2. 然后，使用 scikit-learn 库的 train_test_split 函数将你的数据集分成训练集和测试集。

3. 使用 scikit-learn 库的 StratifiedKFold 函数将训练集分成五份，使每份数据集中每个类别的比例与原始数据集相同。

4. 定义一个 LightGBM 模型，并设置权重调整参数。

5. 使用 scikit-learn 库的 GridSearchCV 函数来搜索超参数。

6. 使用循环来迭代每一折的数据，并在每一折中训练模型，计算精度，并输出精度。

下面是一个例子：

import lightgbm as lgbm
from sklearn.model_selection import train_test_split, StratifiedKFold, GridSearchCV

# 加载数据集
X, y = load_data()

# 分割数据集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

# 定义 LightGBM 模型
model = lgbm.LGBMClassifier(class_weight='balanced')

# 设置超参数搜索范围
param_grid = {
    'learning_rate': [0.01, 0.1, 1],
    'n_estimators': [100, 200, 300]
}

# 使用 StratifiedKFold 将训练集分成五份
kfold = StratifiedKFold(n_splits=5, shuffle=True, random_state=42)

# 定义 GridSearchCV
grid_search = GridSearchCV(model, param_grid, cv=kfold)

# 进行超参搜索
grid_search.fit(X_train, y_train)

# 输出最优超参