XGBoost算法既能做分类分析，又能做回归分析，对应的模型分别为XGBoost分类模型（XGBClassifier）和XGBoost回归模型（XGBRegressor）。

XGBoost算法确实支持分类和回归任务。以下是使用Python库`xgboost`创建这两种模型的基本步骤：

**XGBoost分类模型 (XGBClassifier)**:

# 导入必要的库
import xgboost as xgb

# 假设我们有训练数据 X_train 和 y_train (分类标签)
X_train, y_train = ... # 加载数据

# 创建XGBoost分类器
model = xgb.XGBClassifier()

# 训练模型
model.fit(X_train, y_train)

# 使用模型预测新数据
y_pred = model.predict(X_test)

**XGBoost回归模型 (XGBRegressor)**:

# 同样的导入语句
import xgboost as xgb

# 假设我们有输入特征 X_train 和目标变量 y_train (数值型)
X_train, y_train = ... # 加载数据

# 创建XGBoost回归器
model = xgb.XGBRegressor()

# 训练模型
model.fit(X_train, y_train)

# 预测新数据的连续值
y_pred = model.predict(X_test)

在这个过程中，`fit()`方法用于拟合数据，`predict()`方法则用来做出预测。具体参数的选择（如学习率、树的深度、列子集大小等）可能会影响模型性能，可以通过交叉验证调整这些参数。