catboost cv 初探

怎样用catboost进行cv？
from catboost import cv,Pool
#读取数据集
df_train = pd.read_csv()
x_train = df_train.iloc[:,:-1]
y_train = df_train.iloc[:,-1]
#生成一个Pool结构
#这个结构中定义category的feature，是一个list，这些feature的index
pool = Pool(x_train, y_train, cat_features=[0,1,2,3,4,5,6,7])
#定义训练参数，和其他算法类似，是一个dict结构
params= {'iterations':2000, 'depth':5, 'loss_function':'Logloss','eval_metric':'AUC','learning_rate':0.03}
#关于定义损失函数和评价指标我这里浪费了点儿时间，AUC是评价指标，而GBDT问题求解的目标函数是logloss，那问题来了？可不可以设置一个最大化AUC的目标函数？
#接下来就是直接CV
scores = cv(pool, params, nfold=5, stratified = True)
#这个CV中有参数可以直接设置分层抽样stratified，我以前直接是使用StratifiedKFold，sklearn中的一个函数来得到index的cv分组，不知道这个函数是否支持，可以验证一下，顺便验证这个分层抽样的参数是否有效？
最后得到的AUC普遍偏高，这是因为因变量太不平衡了吗？跟不平衡是无关的啊，因为AUC相当于是好除以好，坏除以坏，还是要在前面（probability很大的时候）就要发现坏人多，这样AUC才高啊，但是如果好人很多的话，比如分五份，每个点都是20/40/60/80/100左右的，只有坏人除以坏人，这部分变动很大，不影响，好人和坏人均分的情况，前面坏人占比虽然不大，但是x轴向右移动也慢，这种AUC依然高，所以不影响还是说明区隔能力很强