xgb.cv()更可靠因其每轮重划折并用各折验证指标均值评估，且支持基于均值的早停以抑制过拟合；而手动划分仅单次验证，无法动态干预。
为什么 xgb.cv() 比手动 train/test 划分更可靠？
因为 xgb.cv() 在每轮迭代中都重新划分折（fold），并统一用所有折的验证结果计算平均指标（如 test-auc-mean），避免单次随机划分带来的评估偏差。更重要的是，它支持早停（early_stopping_rounds）——只要某折连续若干轮没提升，就立刻终止训练，这直接抑制过拟合，而手动划分通常只在最终模型上验一次，无法动态干预。
- 早停依据是各折验证集指标的均值（如
test-logloss-mean），不是单个折 - 折数（
nfold）默认为 3，太小易波动，5 或 10 更稳妥，但会变慢 - 若数据量小（nfold=3 可能导致每折样本太少，验证不稳定
xgb.cv() 必须传的参数和常见填错点
xgb.cv() 不接受原始 DataFrame 或 numpy array，必须先转成 DMatrix；且不自动处理缺失值（虽然 XGBoost 内部能处理，但 DMatrix 构造时若含 NaN 会静默跳过行，造成样本数突变）。
- 第一个参数是
DMatrix对象，不是X和y分开传 -
params字典里必须包含objective（如'binary:logistic'）和eval_metric（如'auc'），漏掉会报ValueError: must specify evaluation metric -
num_boost_round是最大迭代轮数，实际轮数由早停决定；设太小（如 10）可能根本跑不完一轮 CV -
stratified=True在分类任务中强烈建议开启，否则类别分布不均衡时，某些 fold 可能缺少数类样本
如何从 xgb.cv() 结果中提取最优轮数并复用到最终训练？
xgb.cv() 返回的是 pandas.DataFrame，其中列名形如 test-auc-mean、test-auc-std。最优轮数就是该指标均值达到最大（或损失最小）时的索引（从 0 开始），需手动取：
cv_res = xgb.cv(params, dtrain, num_boost_round=1000, nfold=5,
early_stopping_rounds=50, metrics='auc', seed=42)
best_round = cv_res['test-auc-mean'].idxmax()
- 注意：如果指标是损失（如
logloss），要取idxmin()，不是idxmax() -
best_round是整数，可直接传给后续xgb.train(..., num_boost_round=best_round) - 别直接用
cv_res.shape[0]，那只是你设的num_boost_round上限，实际轮数通常更少
为什么用 xgb.cv() 后还要单独 xgb.train()？
xgb.cv() 只做评估，不保留任何一棵树模型——它每轮 CV 都重建全部 fold 的 booster，最后什么也没返回给你。所以必须用选出的 best_round，拿完整训练集再训一次。
- 不要用 CV 过程中的任意一个 fold 模型，它们只是临时产物
- 完整训练时，推荐用和 CV 相同的
params，但可关掉early_stopping_rounds（因不再需要验证） - 如果想省时间，可以设
num_boost_round=best_round + 10微调，但风险是轻微过拟合，多数情况没必要
真正容易被忽略的是：CV 过程中每个 fold 的验证集，其实都参与了早停判断，但最终模型完全没见过这些验证样本——这意味着它的泛化能力仍依赖于训练集质量与特征工程，CV 只帮你选了个“不过火”的轮数，不能替代数据清洗和特征诊断。
Python免费学习笔记（深入）：立即使用
在学习笔记中，你将探索 Python 的核心概念和高级技巧！
