嵌套交叉验证是一种模型评估方法，它在每个训练和测试折叠中使用交叉验证来选择模型的超参数，并对模型进行评估。下面是使用不同回归器的嵌套交叉验证的解决方法，包含代码示例：

步骤1：导入所需的库和数据集 首先，我们需要导入所需的库和数据集。在这个示例中，我们将使用sklearn库中的波士顿房价数据集。

from sklearn.datasets import load_boston
from sklearn.model_selection import cross_val_score
from sklearn.linear_model import LinearRegression
from sklearn.tree import DecisionTreeRegressor
from sklearn.ensemble import RandomForestRegressor

步骤2：加载数据集

boston = load_boston()
X = boston.data
y = boston.target

步骤3：定义回归器和超参数 在这个示例中，我们将使用线性回归、决策树回归和随机森林回归作为我们的回归器，以及不同的超参数。

regressor_names = ['Linear Regression', 'Decision Tree', 'Random Forest']
regressors = [LinearRegression(), DecisionTreeRegressor(), RandomForestRegressor()]
params = [{'normalize': [True, False]}, {'max_depth': [3, 5, 7]}, {'n_estimators': [10, 100, 1000]}]

步骤4：执行嵌套交叉验证 在这一步中，我们将执行嵌套交叉验证，并使用GridSearchCV选择最佳的超参数组合。

for name, regressor, param in zip(regressor_names, regressors, params):
    grid_search = GridSearchCV(regressor, param, cv=5)
    nested_score = cross_val_score(grid_search, X, y, cv=5)
    print(name + ": ", nested_score.mean())

在这个例子中，我们使用5折交叉验证来评估模型。在每个折叠中，我们使用GridSearchCV来选择最佳的超参数组合，并计算模型的得分。最后，我们打印出每个回归器的得分。

这就是使用不同回归器的嵌套交叉验证的解决方法，包含代码示例。请注意，代码示例中的超参数选择可能需要根据具体的问题进行调整。