XGBRegressor 使用RandomizedSearchCV 参数调优代码

以下是使用XGBRegressor和RandomizedSearchCV进行参数调优的代码示例：

import pandas as pd
import numpy as np
from xgboost import XGBRegressor
from sklearn.model_selection import RandomizedSearchCV

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

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

# 创建XGBRegressor模型
xgb = XGBRegressor()

# 定义要优化的参数
parameters = {
    'learning_rate': [0.01, 0.1, 0.5],
    'max_depth': [3, 5, 7, 10],
    'n_estimators': [50, 100, 200, 500],
    'gamma': [0, 0.1, 0.5, 1],
    'subsample': [0.5, 0.7, 0.9, 1],
    'colsample_bytree': [0.5, 0.7, 0.9, 1]
}

# 使用RandomizedSearchCV进行参数调优
xgb_random = RandomizedSearchCV(estimator=xgb, param_distributions=parameters, 
                                n_iter=100, cv=5, verbose=2, random_state=42, n_jobs=-1)

# 拟合模型
xgb_random.fit(X, y)

# 输出最佳参数
print(xgb_random.best_params_)

在此示例中，我们将使用RandomizedSearchCV来搜索模型的超参数。我们定义了要优化的参数列表，并传递给RandomizedSearchCV进行搜索。在这个例子中，我们定义了100个迭代次数，并使用5折交叉验证来评估每个模型。最后，我们拟合了模型并输出了最佳参数