定义一个粒子群类的适应度函数对xgboost调参，并给出具体代码

下面是一个使用粒子群算法（PSO）进行XGBoost调参的适应度函数的示例代码：

import xgboost as xgb
from sklearn.metrics import mean_squared_error

class XGBRegressorPSO:
    def __init__(self, X_train, y_train, X_test, y_test):
        self.X_train = X_train
        self.y_train = y_train
        self.X_test = X_test
        self.y_test = y_test
        self.particle_size = 3  # 粒子维度
        self.bounds = [(3, 10), (0.01, 0.3), (0, 5)]  # 参数取值范围
        self.num_boost_round = 1000  # 迭代次数
        self.eval_set = [(self.X_test, self.y_test)]
        
    def pso_fitness(self, params):
        # xgboost训练过程
        model = xgb.XGBRegressor(max_depth=int(params[0]), learning_rate=params[1], gamma=params[2])
        model.fit(self.X_train, self.y_train, eval_set=self.eval_set, verbose=False)
        
        # 预测结果
        y_pred = model.predict(self.X_test)
        
        # 误差评估
        mse = mean_squared_error(self.y_test, y_pred)
        fitness = 1 / (mse + 1e-10)
        
        return fitness

该适应度函数使用了XGBoost作为回归模型，其中粒子群算法的粒子维度为3，分别对应了XGBoost的三个超参数：max_depth、learning_rate和gamma。参数的取值范围由bounds变量定义，num_boost_round表示XGBoost训练的迭代次数。在粒子群算法中，每个粒子代表了一个参数组合，通过调整粒子的位置来寻找最佳的参数组合。XGBRegressorPSO类的pso_fitness方法接收一个参数params，表示一个粒子的三个参数值。在该方法中，首先使用params来构建一个XGBoost回归模型，并使用训练数据进行训练。然后，使用训练好的模型对测试数据进行预测，并计算预测结果与真实值之间的均方误差（MSE），并将其转换为适应度值。最后，该方法返回适应度值。