我在Python Pandas中有DataFrame，如下所示：

• • 输入数据：**
• Y-二进制目标
• X1...X5-预测因子

| 是|X1|X2|X3|X4|X5|
| - ------|- ------|- ------|- ------|- ------|- ------|
| 1个|一百一十一|二十二|1个|无|一百五十|
| 无|十二|三十三|1个|无|二百二十二|
| 1个|一百五十|四十四|无|无|二百三十|
| 无|二百七十|五十五|无|1个|五百|
| ...|...|...|...|...|...|

• • 要求：**我需要：
• 通过所有变量运行循环，使得在每次迭代之后创建新的XGBoost分类模型，并且还在每次迭代之后丢弃变量之一并创建下一模型
• 因此，如果我具有例如5个预测因子（X1...X5），我需要创建5个XGBoost分类模型，并且在每个连续模型中必须少1个变量
• 每个模型应通过roc_auc_score进行评估
• 作为输出，我需要：list_of_models = []，其中将保存创建的模型和数据框，以及列车和测试的AUC
• • 所需产出：**

因此，我需要以下内容

• 模型-模型列表中模型的位置
• Num_var-模型中使用的预测变量数
• AUC_train-训练数据集上的roc_auc_评分
• AUC_test-检验数据集上的roc_auc_评分

| 型号|变量编号|AUC_列车|AUC_试验|
| - ------|- ------|- ------|- ------|
| 无|五个|0.887|0.884|
| 1个|四个|0.875|0.845|
| 第二章|三个|0.854|0.843|
| 三个|第二章|0.965|零点九二八|
| 四个|1个|0.922|零点九二一|

• • 我的草稿：**这是错误的，因为它应该循环通过所有变量，每次迭代后创建一个新的XGBoost分类模型，并且每次迭代后丢弃一个变量并创建下一个模型

X_train, X_test, y_train, y_test = train_test_split(df.drop("Y", axis=1)
                                                    , df.Y
                                                    , train_size = 0.70
                                                    , test_size=0.30
                                                    , random_state=1
                                                    , stratify = df.Y)

results = []
list_of_models = []

for val in X_train:

    model = XGBClassifier()
    model.fit(X_train, y_train)
    list_of_models.append(model)

    preds_train = model.predict(X_train)
    preds_test = model.predict(X_test)
    preds_prob_train = model.predict_proba(X_train)[:,1]
    preds_prob_test = model.predict_proba(X_test)[:,1]

    results.append({("AUC_train":round(metrics.roc_auc_score(y_train,preds_prod_test),3),
                     "AUC_test":round(metrics.roc_auc_score(y_test,preds_prod_test),3})

results = pd.DataFrame(results)

在Python中如何实现这一点？