如果要在预测新观测值时估计模型的误差及其相应的可变性，请在第 3 步之后。在拟合所有树之后。这里正在验证的模型是弱学习器的整体。但自然你也可以使用 CV 调整超参数。例如，提升树的最佳数量。在“dismo”包中，函数 gbm.step 正是这样做的。使用示例：

brtTuning<- gbm.step(data=yourData,
     gbm.x = 1:18,
     gbm.y = 19,
     family = "gaussian",
     tree.complexity = 5,
     learning.rate = 0.005,
     bag.fraction = 0.5)

如果您想调整然后验证我相信您需要进行嵌套交叉验证。

交叉验证通过随机（或通过其他方式）选择行$K$大小相等的近似平衡的折叠，训练分类器$K-$折叠，对剩余折叠进行测试，然后计算预测损失函数。重复此操作，以便将每个折叠用作测试集。如果您为折叠随机抽样行，则可以根据需要重新抽样。在 R 中有许多包可以做到这一点，而且很容易自己编写代码。在 boosting 中使用某种形式的交叉验证有点复杂（我对 boosting 不是很熟悉）。不过，这个问题似乎提供了一些见解。