利用XGBOOST建立回归模型，并利用gridsearchcv寻找最优参数，给出代码

XGBoost是一个流行的梯度提升库，用于分类和回归任务。下面是一个简单的例子，展示如何使用XGBoost建立回归模型，并使用GridSearchCV寻找最优参数：

import xgboost as xgb
from sklearn.model_selection import GridSearchCV
from sklearn.datasets import load_boston
from sklearn.preprocessing import StandardScaler
from sklearn.metrics import mean_squared_error

# 加载波士顿房价数据集
boston = load_boston()
X, y = boston.data, boston.target

# 数据预处理
scaler = StandardScaler()
X_scaled = scaler.fit_transform(X)

# 定义XGBoost模型并设置参数网格
param_grid = {
    'n_estimators': [100, 200, 300],
    'learning_rate': [0.1, 0.05, 0.01],
    'max_depth': [3, 5, 7],
    'gamma': [0.0, 0.1, 0.2]
}

# 初始化XGBoost模型
model = xgb.XGBRegressor()

# 使用GridSearchCV寻找最优参数
grid_search = GridSearchCV(model, param_grid, scoring='neg_mean_squared_error', cv=5, n_jobs=-1)
grid_search.fit(X_scaled, y)

# 获取最佳参数
best_params = grid_search.best_params_
print(f"Best parameters found: {best_params}")

# 使用最佳参数训练最终模型
best_xgb_reg = grid_search.best_estimator_
best_xgb_reg.fit(X_scaled, y)

# 预测测试集
X_test, _ = boston.data[-10:], boston.target[-10:]
test_X_scaled = scaler.transform(X_test)
y_pred = best_xgb_reg.predict(test_X_scaled)

# 计算评估指标
mse = mean_squared_error(y_test, y_pred)
print("均方误差 (MSE):", mse)

在这个例子中，我们首先加载数据，标准化特征，然后创建一个XGBoost回归器，定义了一个参数网格。接着使用`GridSearchCV`搜索最优参数，最后使用找到的最佳参数训练模型并对测试集做预测。