用Anaconda3 编写python代码，实现XGB回归分析及预测

首先，你需要安装XGBoost库。可以通过在Anaconda Prompt中输入以下命令来安装它：

pip install xgboost

然后，你需要准备你的数据集并进行数据预处理。在这里，我们假设你已经完成了这些步骤，并且想使用XGBoost进行回归分析和预测。

以下是一个简单的XGBoost回归模型的示例代码：

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

# 加载数据集
df = pd.read_csv('your_dataset.csv')

# 分离特征和目标变量
X, y = df.iloc[:,:-1],df.iloc[:,-1]

# 将数据集分为训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=123)

# 定义XGBoost回归模型
xg_reg = xgb.XGBRegressor(objective ='reg:squarederror', colsample_bytree = 0.3, learning_rate = 0.1,
                max_depth = 5, alpha = 10, n_estimators = 10)

# 在训练集上训练模型
xg_reg.fit(X_train,y_train)

# 在测试集上进行预测
preds = xg_reg.predict(X_test)

# 计算MSE
rmse = np.sqrt(mean_squared_error(y_test, preds))
print("RMSE: %f" % (rmse))

在这个示例中，我们使用了XGBRegressor类来定义我们的回归模型。我们为它提供了一些超参数，如树的深度，学习率和迭代次数等。然后，我们使用fit方法在训练集上训练模型，并使用predict方法在测试集上进行预测。最后，我们计算了均方根误差（RMSE）来衡量模型的性能。

你可以根据你的需求调整模型的超参数，以获得更好的性能。