GridSearchCVcv=StratifiedKFoldn_splits=10 random_state=1 shuffle=True estimator=GradientBoostingClassifiern_estimators=300 random_state=123

这是一个使用GradientBoostingClassifier进行网格搜索交叉验证的代码。其目的是为了找到最优的学习率和最大深度参数。具体实现步骤如下：

1. 定义一个GradientBoostingClassifier模型，将n_estimators设置为300，random_state设置为123。

2. 定义一个参数网格param_grid，包含了学习率和最大深度两个参数的取值范围。

3. 使用StratifiedKFold进行交叉验证，将数据集分为10份，其中每一份保持类别比例不变。

4. 使用GridSearchCV进行网格搜索，传入模型、参数网格、交叉验证方法等参数，返回最优的参数组合。

5. 在最优参数组合下，使用训练集进行模型训练，使用测试集进行模型评估。

6. 输出最优参数组合和模型评估结果。

代码示例如下：

from sklearn.ensemble import GradientBoostingClassifier
from sklearn.model_selection import GridSearchCV, StratifiedKFold

# 定义模型，n_estimators=300, random_state=123
model = GradientBoostingClassifier(n_estimators=300, random_state=123)

# 定义参数网格，包含learning_rate和max_depth两个参数的取值范围
param_grid = {
    'learning_rate': [0.1, 0.2, 0.3, 0.4, 0.5],
    'max_depth': range(1, 10)
}

# 定义交叉验证方法，StratifiedKFold将数据集分为10份，保持类别比例不变
cv = StratifiedKFold(n_splits=10, random_state=1, shuffle=True)

# 使用GridSearchCV进行网格搜索，传入模型、参数网格、交叉验证方法等参数
grid_search = GridSearchCV(model, param_grid, cv=cv)

# 对训练集进行网格搜索交叉验证，返回最优的参数组合
grid_search.fit(X_train, y_train)

# 输出最优参数组合
print("Best parameters: {}".format(grid_search.best_params_))

# 在最优参数组合下，使用训练集进行模型训练，使用测试集进行模型评估
best_model = grid_search.best_estimator_
y_pred = best_model.predict(X_test)
accuracy = accuracy_score(y_test, y_pred)

# 输出模型评估结果
print("Accuracy: {:.2f}".format(accuracy))
``