XGboost回归代码

以下是使用XGboost进行回归的Python代码示例：

import pandas as pd
import numpy as np
import xgboost as xgb
from sklearn.metrics import mean_squared_error

# 读取数据
train_data = pd.read_csv('train.csv')
test_data = pd.read_csv('test.csv')

# 删除ID列（如果有）
train_data.drop('ID', axis=1, inplace=True)
test_data.drop('ID', axis=1, inplace=True)

# 分离特征和标签
X_train = train_data.iloc[:, :-1]
y_train = train_data.iloc[:, -1]
X_test = test_data

# 定义xgboost模型
xgb_model = xgb.XGBRegressor(objective='reg:squarederror', random_state=42)

# 训练模型
xgb_model.fit(X_train, y_train)

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

# 评估模型
rmse = np.sqrt(mean_squared_error(y_train, xgb_model.predict(X_train)))
print("RMSE:", rmse)

在此示例中，我们使用pandas库来读取和处理数据，使用xgboost库来定义和训练回归模型，使用sklearn.metrics库来计算均方根误差（RMSE）并评估模型的性能。