用python编写XGBoost回归模型的代码

以下是用Python编写XGBoost回归模型的代码示例：

# 导入必要的库
import xgboost as xgb
from sklearn.metrics import mean_squared_error
from sklearn.datasets import load_boston
import numpy as np

# 加载数据集
boston = load_boston()
X, y = boston.data, boston.target

# 将数据集分为训练集和测试集
train_size = int(len(X) * 0.7)
train_X, train_y = X[:train_size], y[:train_size]
test_X, test_y = X[train_size:], y[train_size:]

# 创建XGBoost回归模型
xg_reg = xgb.XGBRegressor(objective ='reg:squarederror', colsample_bytree = 0.3, learning_rate = 0.1,
                max_depth = 5, alpha = 10, n_estimators = 10)

# 训练模型
xg_reg.fit(train_X,train_y)

# 预测测试集
pred_y = xg_reg.predict(test_X)

# 计算均方根误差（RMSE）
rmse = np.sqrt(mean_squared_error(test_y, pred_y))
print("RMSE: %f" % (rmse))

这个代码示例使用波士顿房价数据集，将其分为训练集和测试集，然后创建了一个XGBoost回归模型并对其进行了训练。最后，预测了测试集并计算了均方根误差（RMSE）。