请写一段XGBoost的代码

以下是一个简单的XGBoost二分类模型的代码示例：

import xgboost as xgb
from sklearn.datasets import load_breast_cancer
from sklearn.model_selection import train_test_split

# 加载数据集
X, y = load_breast_cancer(return_X_y=True)

# 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模型参数
params = {
    'objective': 'binary:logistic',
    'eta': 0.1,
    'max_depth': 3,
    'min_child_weight': 1,
    'eval_metric': 'logloss'
}

# 将训练集和测试集转换为DMatrix格式
dtrain = xgb.DMatrix(X_train, label=y_train)
dtest = xgb.DMatrix(X_test, label=y_test)

# 训练模型
num_rounds = 100
model = xgb.train(params, dtrain, num_rounds)

# 预测测试集
y_pred = model.predict(dtest)

# 计算AUC值
from sklearn.metrics import roc_auc_score
auc = roc_auc_score(y_test, y_pred)
print('AUC: %.2f' % auc)

在这个例子中，我们使用了XGBoost的Python API，首先加载了一个二分类数据集（乳腺癌数据集），然后使用train_test_split函数将数据集划分为训练集和测试集。接下来，我们定义了XGBoost模型的参数，包括目标函数、学习速率、树的最大深度、叶子节点的最小权重和评估指标。然后，我们将训练集和测试集转换为XGBoost的DMatrix格式，并使用train函数训练模型。最后，我们使用predict函数对测试集进行预测，并计算AUC值作为模型的性能指标。