衡量 AUC
在你已經用交叉驗證計算平均樣本外準確率（由錯誤率轉換而來）之後，要計算其他你感興趣的指標就很容易了。只要把該指標（或指標清單）作為引數傳入 xgb.cv() 的 metrics 參數即可。
這題要你計算二元分類中另一個常見的指標——曲線下面積（"auc"）。和之前一樣，churn_data 已經在你的工作環境中，另外還有 DMatrix churn_dmatrix 與參數字典 params。
本練習屬於課程
使用 XGBoost 的極端梯度提升
練習說明
- 進行 3 摺交叉驗證，使用
5次 boosting 並以"auc"作為評估指標。 - 印出
cv_results的"test-auc-mean"欄。
動手互動練習
試著完成這個範例程式碼，體驗一下這個練習。
# Perform cross_validation: cv_results
cv_results = ____(dtrain=____, params=____,
nfold=____, num_boost_round=____,
metrics="____", as_pandas=True, seed=123)
# Print cv_results
print(cv_results)
# Print the AUC
print((cv_results["____"]).iloc[-1])