scaler = StandardScaler().fit(X_train) rescaledX = scaler.transform(X_train) param_grid = {'n_estimators': [10, 50, 100, 200, 300, 400, 500, 600, 700, 800, 900]} model = ExtraTreesClassifier() kfold = KFold(n_splits=num_folds, random_state=seed,shuffle=True) grid = GridSearchCV(estimator=model, param_grid=param_grid, scoring=scoring, cv=kfold) grid_result = grid.fit(X=rescaledX, y=Y_train) print('最优：%s 使用%s' % (grid_result.best_score_, grid_result.best_params_))

这段代码使用了`StandardScaler`对训练数据进行标准化处理，然后使用`GridSearchCV`进行超参数调优。

`StandardScaler().fit(X_train)`创建了一个`StandardScaler`对象，并使用训练数据`X_train`进行拟合。

`scaler.transform(X_train)`对训练数据进行标准化处理得到`rescaledX`。

`param_grid`是一个字典，包含了待调优的超参数，这里是`n_estimators`，即决策树的数量。

`ExtraTreesClassifier()`创建了一个`ExtraTreesClassifier`模型对象。

`KFold(n_splits=num_folds, random_state=seed,shuffle=True)`创建了一个K折交叉验证的对象，用于模型评估。

`GridSearchCV(estimator=model, param_grid=param_grid, scoring=scoring, cv=kfold)`创建了一个网格搜索对象，其中`estimator`是模型对象，`param_grid`是待调优的超参数，`scoring`是评估指标，`cv`是交叉验证策略。

`grid.fit(X=rescaledX, y=Y_train)`对标准化后的训练数据和训练标签进行网格搜索调优。

最后打印出最优得分和最优参数。

请确保在运行代码之前已经导入了相应的库和数据。如果您有任何问题，请随时提问。