### 如何在 Python 中导入和使用 XGBoost 库 为了在 Python 中使用 XGBoost 进行机器学习建模，首先需要安装并导入必要的库。下面是一个完整的代码示例来展示如何实现这一点。 #### 安装 XGBoost 如果尚未安装 XGBoost，则可以通过 pip 或 conda 来完成安装： ```bash pip install xgboost ``` 或者通过 Conda: ```bash conda install -c anaconda py-xgboost ``` #### 导入所需模块 一旦安装完毕，在脚本开头处引入所需的包： ```python import xgboost as xgb from sklearn.datasets import load_boston from sklearn.model_selection import train_test_split from sklearn.metrics import mean_squared_error ``` #### 加载数据集并准备训练测试集分割 这里以波士顿房价为例说明如何加载数据以及划分训练集与验证集： ```python data = load_boston() X_train, X_test, y_train, y_test = train_test_split(data.data, data.target, test_size=0.2, random_state=123) dtrain = xgb.DMatrix(X_train, label=y_train) dtest = xgb.DMatrix(X_test, label=y_test) ``` #### 设置参数并训练模型 定义用于调优的超参数字典，并创建 Booster 对象来进行实际的学习过程： ```python param = { 'max_depth': 3, # the maximum depth of each tree 'eta': 0.3, # step size shrinkage used in update to prevents overfitting 'objective': 'reg:squarederror' } # error evaluation metric for regression tasks steps = 20 # number of training iterations model = xgb.train(param, dtrain, steps) ``` #### 预测及评估性能 利用已训练好的模型对未知样本做出预测，并计算均方误差作为评价指标： ```python preds = model.predict(dtest) rmse = mean_squared_error(y_test, preds, squared=False) print(f"RMSE: {rmse}") ``` 上述流程涵盖了从环境配置到最终效果评测的一系列操作[^1]。