如果我使用的是GridsearchCV，如何在Xgboost中使用model.evals_result()？

from sklearn.model_selection import GridSearchCV
import xgboost as xgb

# 定义参数空间
param_grid = {
    'max_depth': [3, 5, 7],
    'learning_rate': [0.1, 0.01, 0.001]
}

# 创建Xgboost模型
model = xgb.XGBRegressor()

# 创建GridsearchCV对象
grid_search = GridSearchCV(estimator=model, param_grid=param_grid, cv=3)

# 在训练数据上进行网格搜索
grid_search.fit(X_train, y_train)

# 获取最佳参数组合
best_params = grid_search.best_params_

# 创建使用最佳参数的Xgboost模型
best_model = xgb.XGBRegressor(**best_params)

# 在全量训练数据上训练最佳模型
best_model.fit(X_train, y_train)

# 获取模型在每个迭代轮次上的评估结果
evals_result = best_model.evals_result()

# 打印模型在训练集和验证集上的性能指标
print("Training evaluation results:")
for metric, values in evals_result['train'].items():
    print(f"{metric}: {values}")

print("\nValidation evaluation results:")
for metric, values in evals_result['validation'].items():
    print(f"{metric}: {values}")