网格搜索找到XGBoost 的n_estimators和learning_rate的最优组合

好的，我可以帮你完成这个任务。首先，我们需要定义要调整的超参数范围，然后使用网格搜索方法来寻找最佳组合。

以下是一个示例代码，你可以根据你的数据进行相应的修改：

from sklearn.model_selection import GridSearchCV
from xgboost import XGBRegressor

# 定义要调整的超参数范围
param_grid = {
    'n_estimators': [50, 100, 150, 200],
    'learning_rate': [0.01, 0.1, 0.5, 1]
}

# 创建XGBRegressor模型
xgb = XGBRegressor()

# 使用网格搜索方法
grid_search = GridSearchCV(estimator=xgb, param_grid=param_grid, cv=5, n_jobs=-1, verbose=2)

# 训练模型
grid_search.fit(X_train, y_train)

# 输出最佳参数组合和得分
print("Best Parameters: ", grid_search.best_params_)
print("Best Score: ", grid_search.best_score_)

在这个示例代码中，我们使用了 GridSearchCV 类来进行网格搜索。其中，estimator 参数为我们要调整的模型，param_grid 参数为我们要调整的超参数范围，cv 参数为交叉验证的折数，n_jobs 参数为并行运行的作业数，verbose 参数为打印输出的详细程度。

最后，我们输出最佳参数组合和得分。你可以将 X_train 和 y_train 替换成你自己的训练数据。