R语言 xgboost回归预测模型中，将数据划分为训练集与测试集，首先进行超参数寻优，将最优参数运用与训练集，验证模型精度；再对训练集进行十折交叉验证，用训练集再次验证交叉验证后模型精度

在R语言中使用xgboost建立回归预测模型时，一般遵循以下几个步骤：

1. **数据预处理**：首先，你需要将你的数据分为特征（X）和目标变量（y）。然后，通常会把数据分为训练集（train）、验证集（validation）和测试集（test），例如70%的数据用于训练，15%用于验证（超参数优化），剩下的15%用于最终的模型评估。

2. **超参数调整**：在`xgboost`包中，你可以使用`caret`或` tuner`等工具进行超参数网格搜索或者随机搜索。这一步会在验证集上运行，通过尝试不同的超参数组合（如学习率、树的深度、列抽样比例等），寻找最佳性能指标（比如最小化均方误差或AUC）。

   library(xgboost)
   library(caret)
   grid <- expand.grid(.learning_rate = c(0.05, 0.1, 0.2), 
                      .max_depth = c(3, 5, 8))
   model_fit <- train(y ~ ., data=train, method="xgbTree", trControl=trainControl(method="cv"), tuneGrid=grid)
   best_params <- model_fit$bestTune

3. **训练模型**：找到最优超参数后，用训练集数据（包括最佳参数）构建最终模型。

   xgb_model <- xgboost(data = train[, -ncol(train)], label = train[, ncol(train)],
                        params = best_params)

4. **交叉验证**：为了进一步评估模型的稳定性和泛化能力，可以进行k折交叉验证。在这个阶段，训练集会被分割成k份，依次作为测试集，其余作为训练集，多次训练并验证模型，最后取平均结果。

   cv_results <- xgb.cv(params = best_params, dtrain = train[, -ncol(train)], label = train[, ncol(train)], num_rounds = 100, folds = 10)

5. **评估模型**：使用交叉验证的结果，可以得到模型在训练集上的性能，并能估计模型在未见过的数据上的表现。此外，还可以用测试集来验证模型的最终性能。

   final_auc <- predict(xgb_model, newdata=test) %>% auc(test[, ncol(test)])