我一定要用XGBRegressor(objective: reg:'logistic')模型计算f1_score

不是的，XGBRegressor 模型是用于回归问题的，而 f1_score 主要用于分类问题的评估指标。因此，如果要计算 f1_score，应该使用用于分类问题的模型，例如XGBClassifier。

XGBClassifier 默认的损失函数是 `binary:logistic`，适用于二分类问题。如果是多分类问题，可以使用 `multi:softmax` 损失函数，并设置 `num_class` 参数来指定类别数。

以下是一个简单的示例代码，使用XGBClassifier模型计算f1_score：

import pandas as pd
import numpy as np
from sklearn.model_selection import train_test_split
from xgboost import XGBClassifier
from sklearn.metrics import f1_score

# 读取数据
data = pd.read_csv("data.csv")

# 划分训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(data.drop('label', axis=1), data['label'], test_size=0.2, random_state=42)

# 定义模型
xgb = XGBClassifier(objective='multi:softmax', num_class=3, random_state=42)

# 拟合模型
xgb.fit(X_train, y_train)

# 预测结果
y_pred = xgb.predict(X_test)

# 计算 f1_score
f1 = f1_score(y_test, y_pred, average='macro')
print("f1_score:", f1)

以上代码示例中，`data.csv` 是包含特征和标签的数据文件，使用 `train_test_split` 函数将数据集划分为训练集和测试集，使用 `XGBClassifier` 定义模型，并使用 `fit` 函数拟合模型。最后使用 `f1_score` 函数计算 f1_score，并输出结果。

需要注意的是，XGBClassifier 模型还有其他的超参数可以调节，包括学习率、最大深度、子树样本比例等等，需要根据具体的情况进行调整和优化，以达到更好的性能和效果。