### 如何使用 Python 实现 XGBoost 并展示假设结果 以下是基于 XGBoost 的实现及其假设结果展示的完整示例代码： #### 安装依赖 首先需要确保已安装 `xgboost` 库，可以通过以下命令完成安装： ```bash pip install xgboost ``` #### 数据准备与模型训练 以下是一个完整的代码示例，演示如何使用 XGBoost 构建回归模型并展示假设结果。 ```python import numpy as np import pandas as pd from sklearn.model_selection import train_test_split from sklearn.metrics import mean_squared_error, r2_score import xgboost as xgb # 创建虚拟数据集 (以房价预测为例) np.random.seed(42) data_size = 100 features = ['Size', 'Bedrooms', 'Age'] X = pd.DataFrame({ 'Size': np.random.uniform(800, 2000, data_size), 'Bedrooms': np.random.randint(1, 6, data_size), 'Age': np.random.randint(5, 50, data_size) }) y = 50 * X['Size'] - 2000 * X['Bedrooms'] + 100 * X['Age'] + np.random.normal(0, 1e4, data_size) # 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) # 转换为 DMatrix 格式（XGBoost 特有的输入格式） dtrain = xgb.DMatrix(X_train, label=y_train) dtest = xgb.DMatrix(X_test, label=y_test) # 设置参数 params = { 'objective': 'reg:squarederror', # 回归任务的目标函数 'max_depth': 6, # 树的最大深度 'eta': 0.3, # 学习率 'subsample': 0.8 # 每次迭代使用的样本比例 } # 训练模型 num_rounds = 100 # 迭代次数 bst = xgb.train(params, dtrain, num_rounds) # 预测 preds = bst.predict(dtest) # 展示部分假设结果 print("真实值 vs 预测值:") for i in range(10): # 显示前10个样本的真实值与预测值对比 print(f"真实值: {y_test.iloc[i]:.2f}, 预测值: {preds[i]:.2f}") # 性能评估 mse = mean_squared_error(y_test, preds) r2 = r2_score(y_test, preds) print(f"\n均方误差(MSE): {mse:.2f}") print(f"决定系数(R²): {r2:.2f}") ``` 以上代码展示了如何创建一个简单的房屋价格预测模型，并通过打印真实值与预测值的方式展示假设结果。此外，还计算了 MSE 和 R² 来衡量模型性能[^1]。 #### 结果可视化 为了更直观地展示假设结果，可以绘制散点图比较真实值与预测值的关系。 ```python import matplotlib.pyplot as plt plt.figure(figsize=(8, 6)) plt.scatter(y_test, preds, alpha=0.7, c='blue') plt.plot([min(y_test), max(y_test)], [min(y_test), max(y_test)], color='red') # 对角线表示完美拟合 plt.xlabel('真实值') plt.ylabel('预测值') plt.title('真实值 vs 预测值') plt.grid(True) plt.show() ``` 此图表显示了真实值与预测值之间的关系，红色对角线代表理想情况下的完全匹配[^3]。 --- ###