对adaboost模型进行5折交叉验证，并用GridSearchCV进行超参搜索，并打印输出每一折的精度

AdaBoost(Adaptive Boosting)是一种迭代算法，用于提升弱分类器的分类性能。

在进行五折交叉验证时，我们首先将训练数据分成五份，然后依次将其中一份作为验证集，其余四份作为训练集。这样我们就得到了五组训练集和验证集，分别训练并评估五次模型，最后将五次的结果求平均值作为模型的最终精度。

我们可以使用 sklearn 库中的 GridSearchCV 函数来进行超参搜索。首先我们需要指定要搜索的参数组合，然后将这些参数传给 GridSearchCV 函数。然后我们在训练数据上调用 fit 方法来训练模型，并在验证集上调用 predict 方法进行预测。

下面是一个使用 Adaboost 模型进行五折交叉验证并使用 GridSearchCV 进行超参搜索的示例代码：

```python from sklearn.model_selection import KFold from sklearn.model_selection import GridSearchCV from sklearn.ensemble import AdaBoostClassifier

设置要搜索的超参数组合

param_grid = { 'n_estimators': [50, 100, 200], 'learning_rate': [0.1, 0.5, 1.0] }

建立 AdaBoost 模型

adaboost = AdaBoostClassifier()

建立 KFold 分割器

kfold = KFold(n_splits=5, shuffle=True, random_state=42)

建立网格搜