使用带交叉验证的网格搜索训练一个最佳的AdaBoost模型，可以尝试调节参数：树的个数、学习率等 预测测试数据，并输出其精度、查准率、查全率和F1分数

好的，下面是代码实现：

1.使用带交叉验证的网格搜索训练一个最佳的AdaBoost模型，可以尝试调节参数：树的个数、学习率等

from sklearn.ensemble import AdaBoostClassifier

# 定义参数网格
param_grid = {
    'n_estimators': range(1, 101, 10),
    'learning_rate': [0.001, 0.01, 0.1, 1, 10]
}

# 定义AdaBoost模型
adaboost = AdaBoostClassifier(random_state=42)

# 使用网格搜索进行参数调优
grid = GridSearchCV(adaboost, param_grid=param_grid, cv=5, n_jobs=-1)
grid.fit(X_train, y_train)

# 输出最佳参数
print('Best Parameters:', grid.best_params_)

2.预测测试数据，并输出其精度、查准率、查全率和F1分数

# 使用最佳参数构建AdaBoost模型
adaboost_best = AdaBoostClassifier(**grid.best_params_, random_state=42)

# 训练模型并进行预测
adaboost_best.fit(X_train, y_train)
y_pred = adaboost_best.predict(X_test)

# 输出模型评估指标
print('Accuracy:', accuracy_score(y_test, y_pred))
print('Precision:', precision_score(y_test, y_pred))
print('Recall:', recall_score(y_test, y_pred))
print('F1 Score:', f1_score(y_test, y_pred))