xgboost预测滑坡易发性代码

XGBoost是一个强大的梯度 boosting 库，用于机器学习，特别是数据科学竞赛中的分类和回归任务。对于预测滑坡易发性，我们通常会采用一种监督学习方法，先收集历史地理、地质、气候等特征数据，然后使用 XGBoost 进行训练。以下是基本步骤的代码示例（假设你已经有了数据集 `data.csv` 和标签列 `slippery`）：

# 导入所需库
import pandas as pd
from sklearn.model_selection import train_test_split
import xgboost as xgb

# 加载数据
df = pd.read_csv('data.csv')

# 数据预处理（例如填充缺失值，编码类别变量）
X = df.drop(columns='slippery')
y = df['slippery']

# 划分训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

# 定义 XGBoost 模型
model = xgb.XGBClassifier(objective='binary:logistic') # 对于二分类问题

# 训练模型
model.fit(X_train, y_train)

# 预测滑坡易发性
predictions = model.predict(X_test)

# 评估模型性能
from sklearn.metrics import accuracy_score, confusion_matrix
accuracy = accuracy_score(y_test, predictions)
conf_mat = confusion_matrix(y_test, predictions)
print("Accuracy:", accuracy)
print("Confusion Matrix:\n", conf_mat)

# 如果需要进一步优化，可以调整超参数或使用交叉验证