XGBoost回归预测模型算法python代码

以下是使用Python实现XGBoost回归预测模型算法的代码：

# 导入库
import pandas as pd
import numpy as np
import xgboost as xgb
from sklearn.metrics import mean_squared_error
from sklearn.model_selection import train_test_split

# 加载数据集
dataset = pd.read_csv('dataset.csv')
X = dataset.iloc[:, :-1].values
y = dataset.iloc[:, -1].values

# 划分数据集为训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=0)

# 训练模型
regressor = xgb.XGBRegressor(objective='reg:squarederror', n_estimators=1000)
regressor.fit(X_train, y_train)

# 预测结果
y_pred = regressor.predict(X_test)

# 计算MSE
mse = mean_squared_error(y_test, y_pred)
print("MSE:", mse)

说明：

1. 首先，导入需要的库，包括 `pandas`、`numpy`、`xgboost`、`mean_squared_error`以及`train_test_split`。

2. 加载数据集，并将数据集划分为训练集和测试集。

3. 训练模型。在这里，我们使用了XGBoost算法，并设置了一些参数，例如，`n_estimators`表示使用1000个决策树进行训练。

4. 对测试集进行预测，并计算均方误差（MSE）。

5. 最后，打印MSE。