如何理解R包xgboost中的nfold和nrounds

我正在尝试使用R的软件包xgboost。但有一件事我感到困惑。在xgboost手册的xgb.cv函数下，它说：

原始样本被随机划分为N倍大小相等的子样本

在nfold子样本中，保留一个子样本作为模型测试的验证数据，剩余的nfold-1子样本用作训练数据

交叉验证过程然后重复nrounds次，每个nfold子样本 仅作为验证数据使用一次

这是手册中的代码：

data(agaricus.train, package='xgboost')
dtrain <- xgb.DMatrix(agaricus.train$data, label = agaricus.train$label)
cv <- xgb.cv(data = dtrain, nrounds = 3, nthread = 2, nfold = 5, metrics = 
list("rmse","auc"),
max_depth = 3, eta = 1, objective = "binary:logistic")
print(cv)
print(cv, verbose=TRUE)

假设nfold=5，nrounds=2。这意味着数据被分成5个大小相等的部分。该算法将生成2棵树

我的理解是：每个子样本必须验证一次。当一个子样本被验证时，将生成两棵树。因此，我们将有5组树，一组有2棵树，因为nrounds=2。然后我们检查评估指标是否变化很大

但结果却不尽相同。一个nround值有一行评估指标，看起来它已经包含了“交叉验证”部分。因此，如果“交叉验证过程重复nrounds次”，那么为什么“每个nfold子样本只使用一次作为验证数据”？

这些是nrounds中每轮运行的nfold拟合测试程序分数的平均值和标准差。XGBoost交叉验证过程如下：

数据集X被拆分为nfold子样本X1、X2…Xnfold。 XGBoost算法将增强树与包含X1、X2、…、Xnfold-1的训练数据集相匹配，而最后一个子样本折叠Xnfold被保留为样本数据集外的验证1。为培训和验证数据集计算并保留选定的评估指标RMSE、AUC等。 训练数据集中的一个子样本折叠现在与验证子样本折叠交换，因此训练数据集现在包括X1、X2、，Xnfold-2，Xnfold，样本数据集外的验证为Xnfold-1。同样，该算法将增强树与训练数据相匹配，计算每个选定指标的评估分数，依此类推。 这个过程重复N次，直到每个子样本折叠都作为训练集和验证集的一部分。 现在，添加另一个增强的树，并重复步骤2-4中概述的过程。这将一直持续，直到拟合到训练数据的增强树总数等于nrounds。 现在，计算出的评估分数为nfold乘以在nrounds中为每一轮选择的不同度量的数量，对于训练集和验证集，验证集的分数自然会更差。计算训练集和验证集的nfold分数的平均值和标准偏差乘以为每轮选择的不同度量数（nrounds），并在数据帧（nrounds行）中返回。 1请注意，XGBoost将我所称的“验证”集确定为评估日志中的“测试”集

这些是每轮nrounds中运行的nfold fit测试程序分数的平均值和标准偏差。XGBoost交叉验证过程如下：

数据集X被拆分为nfold子样本X1、X2…Xnfold。 XGBoost算法将增强树与包含X1、X2、…、Xnfold-1的训练数据集相匹配，而最后一个子样本折叠Xnfold被保留为样本数据集外的验证1。为培训和验证数据集计算并保留选定的评估指标RMSE、AUC等。 训练数据集中的一个子样本折叠现在与验证子样本折叠交换，因此训练数据集现在包括X1、X2、，Xnfold-2，Xnfold，样本数据集外的验证为Xnfold-1。同样，该算法将增强树与训练数据相匹配，计算每个选定指标的评估分数，依此类推。 这个过程重复N次，直到每个子样本折叠都作为训练集和验证集的一部分。 现在，添加另一个增强的树，并重复步骤2-4中概述的过程。这将一直持续，直到拟合到训练数据的增强树总数等于nrounds。 现在，计算出的评估分数为nfold乘以在nrounds中为每一轮选择的不同度量的数量，对于训练集和验证集，验证集的分数自然会更差。计算训练集和验证集的nfold分数的平均值和标准偏差乘以为每轮选择的不同度量数（nrounds），并在数据帧（nrounds行）中返回。 1请注意，XGBoost将我称之为“验证”集的内容标识为评估日志中的“测试”集

---

您知道这将如何处理时间序列数据吗？如果有时您可能会使用来自未来的数据来训练您的模型，那么使用nfold交叉验证是否错误？您知道这将如何处理时间序列数据吗？如果有时您可能使用来自未来的数据来训练您的模型，那么使用nfold交叉验证是否错误

##### xgb.cv 5-folds
call:
  xgb.cv(data = dtrain, nrounds = 3, nfold = 5, metrics = list("rmse", 
    "auc"), nthread = 2, max_depth = 3, eta = 1, objective = "binary:logistic")
params (as set within xgb.cv):
  nthread = "2", max_depth = "3", eta = "1", objective = "binary:logistic", 
eval_metric = "rmse", eval_metric = "auc", silent = "1"
callbacks:
  cb.print.evaluation(period = print_every_n, showsd = showsd)
  cb.evaluation.log()
niter: 3
evaluation_log:
 iter train_rmse_mean train_rmse_std train_auc_mean train_auc_std test_rmse_mean test_rmse_std test_auc_mean test_auc_std
1       0.1623756    0.002693092      0.9871108  1.123550e-03      0.1625222   0.009134128     0.9870954 0.0045008818
2       0.0784902    0.002413883      0.9998370  1.317346e-04      0.0791366   0.004566554     0.9997756 0.0003538184
3       0.0464588    0.005172930      0.9998942  7.315846e-05      0.0478028   0.007763252     0.9998902 0.0001347032