xgboost算法预测测井曲线的代码

以下是使用xgboost算法进行测井曲线预测的示例代码：

import pandas as pd
import numpy as np
import xgboost as xgb

# 读取数据
data = pd.read_csv('data.csv')

# 特征工程
features = ['GR', 'DEN', 'CAL', 'SONIC']
X = data[features]
y = data['DT']

# 划分训练集和测试集
train_X, test_X, train_y, test_y = train_test_split(X, y, test_size=0.2, random_state=42)

# 构建模型
model = xgb.XGBRegressor(max_depth=5, learning_rate=0.1, n_estimators=100, objective='reg:squarederror')
model.fit(train_X, train_y)

# 预测测试集
pred_y = model.predict(test_X)

# 评估模型性能
from sklearn.metrics import mean_squared_error
rmse = np.sqrt(mean_squared_error(test_y, pred_y))
print('RMSE:', rmse)

在此示例代码中，我们使用了xgboost的回归模型来进行测井曲线的预测。我们首先读取数据，然后进行特征工程，将测井曲线的四个特征作为特征变量，将要预测的测井曲线作为目标变量。接着，我们划分出训练集和测试集，使用训练集来训练模型，然后使用测试集来评估模型性能。最后，我们计算出RMSE作为模型性能的评估指标。