XGBOOST回归预测python代码
时间: 2023-06-09 13:02:40 浏览: 170
基于XGBoost的数据回归预测Python代码 包含散点图和折线图可视化
5星 · 资源好评率100%
以下是一个简单的 XGBoost 回归预测的 Python 代码:
```python
# 导入必要的库和数据
import pandas as pd
import xgboost as xgb
from sklearn.metrics import mean_squared_error
data = pd.read_csv('data.csv')
X, y = data.iloc[:, :-1], data.iloc[:, -1]
# 将数据分成训练集和测试集
split = int(len(data)*0.8)
X_train, y_train = X[:split], y[:split]
X_test, y_test = X[split:], y[split:]
# 定义模型并拟合数据
model = xgb.XGBRegressor(objective='reg:squarederror', n_estimators=100, max_depth=3, learning_rate=0.1)
model.fit(X_train, y_train)
# 进行预测并计算均方误差
y_pred = model.predict(X_test)
mse = mean_squared_error(y_test, y_pred)
print("Mean Squared Error:", mse)
```
这里使用了 XGBoost 库来创建一个回归模型。首先读入数据,然后将其分成训练集和测试集。接下来定义一个 XGBRegressor 对象,并设置一些超参数的值,例如目标函数、n_estimators、max_depth 和 learning_rate。然后使用拟合训练数据来拟合模型。最后使用测试集中的数据进行预测,并计算均方误差(MSE)来评估模型的性能。
阅读全文