pca降维xgboost代码

PCA降维后的XGBoost代码如下：

from sklearn.decomposition import PCA
from sklearn.model_selection import train_test_split
import xgboost as xgb

# 假设你的数据集为X和y
# 将数据集拆分为训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

# 使用PCA将数据降到2维
pca = PCA(n_components=2)
X_train_pca = pca.fit_transform(X_train)
X_test_pca = pca.transform(X_test)

# 训练XGBoost模型
xgb_model = xgb.XGBRegressor()
xgb_model.fit(X_train_pca, y_train)

# 在测试集上进行预测
y_pred = xgb_model.predict(X_test_pca)

需要注意的是，PCA降维后的特征数量会减少，因此可以在XGBoost模型中减少树的深度和叶子节点数量，防止过度拟合。