把刚刚的模型升级一下，提高准确度。

好的，以下是一个升级版的Catboost回归模型，它使用了一些常见的技巧来提高准确度：

import pandas as pd
from catboost import CatBoostRegressor, Pool
from sklearn.metrics import mean_squared_error, make_scorer
from sklearn.model_selection import KFold, RandomizedSearchCV
from scipy.stats import uniform, randint
import matplotlib.pyplot as plt

# 读入数据
data = pd.read_csv('data.csv')

# 拆分数据集为特征和目标值
X = data.drop('target', axis=1)
y = data['target']

# 初始化Catboost回归器
catboost = CatBoostRegressor(
    iterations=2000,
    learning_rate=0.05,
    depth=8,
    l2_leaf_reg=5,
    loss_function='RMSE',
    verbose=False
)

# 初始化交叉验证器
kfold = KFold(n_splits=5, shuffle=True)

# 定义用于交叉验证的函数
def cross_validate(model, X, y):
    mse_list = []
    for train_index, test_index in kfold.split(X):
        # 拆分数据为训练集和测试集
        X_train, X_test = X.iloc[train_index], X.iloc[test_index]
        y_train, y_test = y.iloc[train_index], y.iloc[test_index]

        # 将数据转化为Catboost Pool格式
        train_pool = Pool(X_train, y_train)
        test_pool = Pool(X_test, y_test)

        # 训练Catboost模型
        model.fit(train_pool, eval_set=test_pool)

        # 在测试集上进行预测
        y_pred = model.predict(test_pool)

        # 计算MSE并将其添加到列表中
        mse_list.append(mean_squared_error(y_test, y_pred))

    # 计算平均MSE
    avg_mse = sum(mse_list) / len(mse_list)
    return avg_mse

# 定义用于随机搜索的参数空间
param_space = {
    'iterations': randint(1000, 3000),
    'learning_rate': uniform(0.01, 0.1),
    'depth': randint(4, 10),
    'l2_leaf_reg': randint(1, 10),
}

# 定义用于随机搜索的评估指标
scorer = make_scorer(mean_squared_error, greater_is_better=False)

# 初始化随机搜索器
searcher = RandomizedSearchCV(
    catboost,
    param_space,
    n_iter=50,
    cv=kfold,
    scoring=scorer,
    n_jobs=-1,
    verbose=1
)

# 进行随机搜索
searcher.fit(X, y)

# 输出最优参数
best_params = searcher.best_params_
print(f'Best Parameters: {best_params}')

# 根据最优参数重新训练模型并执行交叉验证
catboost.set_params(**best_params)
avg_mse = cross_validate(catboost, X, y)
print(f'Average MSE: {avg_mse:.2f}')

# 可视化每次交叉验证的MSE
plt.plot([i+1 for i in range(len(mse_list))], mse_list)
plt.xlabel('Cross Validation Iteration')
plt.ylabel('MSE')
plt.title('MSE for Catboost Regression Model')
plt.show()

这个升级版的模型中，我们使用了Catboost Pool来处理输入数据，这通常可以提高训练速度和准确度。我们还使用了随机搜索来搜索最优参数组合，并在最优参数下重新训练模型并执行交叉验证。最后，我们可视化了每次交叉验证的MSE。