GBDT分类模型的主要参数，交叉验证，数据洗牌，数据切分，训练用时

GBDT分类模型的主要参数包括：

1. 树的数量（n_estimators）：决定了模型中树的个数，一般来说，树的数量越多，模型的拟合能力越强，但同时也容易过拟合。

2. 树的深度（max_depth）：控制树的最大深度，一般来说，树的深度越大，模型的拟合能力越强，但同时也容易过拟合。

3. 学习率（learning_rate）：控制每棵树对结果的贡献，一般来说，学习率越小，模型的拟合能力越强，但同时训练时间也会变长。

其他重要的参数还包括：子采样比例（subsample）、特征采样比例（colsample_bytree）等。

交叉验证可以用来评估模型的性能，一般来说，将数据集分为训练集和测试集，采用交叉验证可以更好地利用数据集，提高模型的准确性和稳定性。

数据洗牌可以避免模型对数据的顺序敏感，提高模型的泛化能力。

数据切分可以将数据集分为训练集和测试集，训练集用于训练模型，测试集用于评估模型的性能。

训练用时取决于数据集的大小、模型的复杂度以及计算资源的配置等因素。