### Python实现XGBoost完整代码示例及运行结果展示 以下是完整的Python代码示例，涵盖了从数据准备到模型训练、评估以及结果展示的过程。此代码假设您已经安装了必要的库（`pandas`, `xgboost`, `sklearn`）。如果尚未安装这些依赖项，请先执行以下命令： ```bash pip install pandas xgboost scikit-learn openpyxl ``` #### 完整代码示例 ```python # 导入所需库 import pandas as pd import numpy as np import xgboost as xgb from sklearn.model_selection import train_test_split from sklearn.metrics import mean_squared_error, r2_score import matplotlib.pyplot as plt # 数据加载与预处理 file_path = 'data/sample_data.xlsx' # 替换为您本地文件路径 try: data = pd.read_excel(file_path, engine='openpyxl') except FileNotFoundError: print("指定的文件未找到，请检查路径是否正确！") exit() # 假设第二列为特征，第三列为标签 X = data.iloc[:, :-1] # 使用所有列作为特征 y = data.iloc[:, -1] # 最后一列作为目标变量 # 划分训练集和测试集 X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42) # 初始化XGBoost模型 model = xgb.XGBRegressor( objective='reg:squarederror', # 回归问题使用平方误差损失函数 learning_rate=0.1, max_depth=6, n_estimators=100, subsample=0.8, colsample_bytree=0.8, seed=42 ) # 模型训练 model.fit(X_train, y_train) # 预测 y_pred = model.predict(X_test) # 性能评估 mse = mean_squared_error(y_test, y_pred) r2 = r2_score(y_test, y_pred) print(f"Mean Squared Error (MSE): {mse:.4f}") print(f"R-squared Score: {r2:.4f}") # 可视化真实值 vs 预测值 plt.figure(figsize=(10, 6)) plt.scatter(range(len(y_test)), y_test, color="blue", label="True Values") plt.scatter(range(len(y_pred)), y_pred, color="red", label="Predicted Values") plt.title("Comparison of True and Predicted Values") plt.xlabel("Sample Index") plt.ylabel("Target Value") plt.legend() plt.show() ``` --- #### 运行结果说明 当运行上述代码时，程序会完成以下几个主要任务： 1. 加载Excel格式的数据，并将其划分为特征 (`X`) 和标签 (`y`)。 2. 将数据拆分成训练集和测试集，比例为80%训练/20%测试[^2]。 3. 构建并训练一个XGBoost回归模型，设置超参数如学习率(`learning_rate`)、最大树深(`max_depth`)等[^1]。 4. 对测试集进行预测，并计算均方误差(MSE)和决定系数(R²)[^2]。 5. 绘制散点图比较真实值与预测值之间的差异。 注意：为了成功运行这段代码，需确保提供有效的Excel文件路径，并且该文件至少包含两列——特征列和目标列。 --- ###