请就上面的XGBoost算法添加网格化搜索

好的，对于XGBoost算法的网格化搜索，我们可以使用GridSearchCV类来实现。下面是一个简单的例子：

from sklearn.model_selection import GridSearchCV
from xgboost import XGBClassifier

# 定义参数网格
params_grid = {
    'max_depth': [3, 5, 7],
    'learning_rate': [0.1, 0.01],
    'n_estimators': [50, 100, 200]
}

# 创建XGBoost分类器
xgb_clf = XGBClassifier()

# 使用GridSearchCV进行网格化搜索
grid_search = GridSearchCV(xgb_clf, params_grid, cv=5)
grid_search.fit(X_train, y_train)

# 输出最优参数
print("Best parameters:", grid_search.best_params_)

在上面的例子中，我们定义了三个参数（max_depth、learning_rate和n_estimators）的不同取值，然后创建了一个XGBoost分类器。接着，我们使用GridSearchCV类进行网格化搜索，并使用5折交叉验证来评估模型性能。最后，输出最优参数。

需要注意的是，网格化搜索会对每种参数组合都进行一次交叉验证，因此可能会比较耗时。在实际应用中，我们可能需要根据具体情况来调整参数网格的范围和步长。