使用XGboost 预测的案例，并提供相应代码

XGBoost（Extreme Gradient Boosting）是一个强大的梯度提升库，常用于机器学习中的分类和回归任务。下面是一个简单的例子，展示如何使用Python的XGBoost库预测房价：

首先，假设我们有一个经典的房价预测数据集，如波士顿房价数据集（Boston Housing Dataset），我们可以加载数据并进行预处理。

import xgboost as xgb
from sklearn.datasets import load_boston
from sklearn.model_selection import train_test_split
import pandas as pd

# 加载数据
boston = load_boston()
df = pd.DataFrame(boston.data, columns=boston.feature_names)
df['PRICE'] = boston.target  # 将标签添加到DataFrame

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

# 定义DMatrix对象，它是XGBoost的数据结构
dtrain = xgb.DMatrix(X_train, label=y_train)
dtest = xgb.DMatrix(X_test, label=y_test)

# 设置模型参数
param = {
    'eta': 0.3,  # 学习率
    'max_depth': 3,  # 树的最大深度
    'objective': 'reg:squarederror'  # 目标函数，对于回归任务通常选择这个
}

# 训练模型
num_round = 100  # 迭代次数
bst = xgb.train(param, dtrain, num_round)

# 预测
y_pred = bst.predict(dtest)

在这个例子中，我们首先加载数据、划分数据集，然后创建了XGBoost的`DMatrix`对象。接着设置了训练参数，包括学习率、树的最大深度等。通过`xgb.train`函数训练模型，最后用模型对测试集进行预测。