xgboost回归预测模型代码

下面是一个使用XGBoost进行回归预测的示例代码：

# 导入必要的库
import xgboost as xgb
from sklearn.model_selection import train_test_split
from sklearn.metrics import mean_squared_error

# 加载数据集
data = xgb.DMatrix('path_to_dataset.csv')

# 划分训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(data.data, data.target, test_size=0.2)

# 设置模型参数
params = {
    'objective': 'reg:squarederror',  # 设置回归目标函数
    'eval_metric': 'rmse',  # 评估指标使用均方根误差
    'eta': 0.1,  # 学习率
    'max_depth': 5,  # 树的最大深度
    'subsample': 0.8,  # 样本采样率
    'colsample_bytree': 0.8  # 特征采样率
}

# 训练模型
model = xgb.train(params, data, num_boost_round=100)

# 使用模型进行预测
y_pred = model.predict(xgb.DMatrix(X_test))

# 计算均方根误差
rmse = mean_squared_error(y_test, y_pred, squared=False)
print("RMSE:", rmse)

在代码中，你需要将`path_to_dataset.csv`替换为你的数据集路径。该代码首先加载数据集，然后使用`train_test_split`函数将数据划分为训练集和测试集。接下来，设置XGBoost模型的参数，例如回归目标函数、评估指标、学习率、树的最大深度等。然后使用`xgb.train`函数训练模型，并使用训练好的模型进行预测。最后，计算预测结果与真实值之间的均方根误差（RMSE）作为模型的评估指标。