首先除了安裝Sklearn外需要先安裝XGBoost import xgboost as xgb

XGBoost（eXtreme Gradient Boosting）是一種高效且高性能的機器學習算法基於梯度提升樹（Gradient Boosting）在許多數據科學競賽和實際問題中取得了顯著的成功，因其速度快、性能優異而備受青睞～～～

XGBoost 是一種集成學習方法，它將多個弱學習器（通常是決策樹）組合在一起，形成一個強學習器。
它通過叠代訓練弱模型，並根據上一輪模型的預測結果來調整樣本的權重，從而降低之前預測錯誤樣本的影響，提升模型的性能。
在每一輪叠代中，XGBoost 通過計算損失函數的梯度來確定下一棵樹的結構，以最小化損失函數。
XGBoost 的一些重要特性包括：

正則化：通過正則化項（如 L1 和 L2 正則化）來控制模型的覆雜度，防止過擬合。
自定義損失函數：可以根據具體問題定義自己的損失函數，從而更好地適應不同類型的任務。
特征重要性評估：可以通過分析樹節點分裂時特征的重要性來理解模型的決策過程。
使用示例（分類問題）：

import xgboost as xgb
from sklearn.datasets import load_breast_cancer
from sklearn.model_selection import train_test_split
from sklearn.metrics import accuracy_score

# 載入乳腺癌數據集
data = load_breast_cancer()
X, y = data.data, data.target

# 將數據集劃分為訓練集和測試集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

# 初始化XGBoost分類器
xgb_model = xgb.XGBClassifier(objective='binary:logistic', max_depth=3, learning_rate=0.1, n_estimators=100)

# 在訓練集上訓練模型
xgb_model.fit(X_train, y_train)

# 在測試集上進行預測
y_pred = xgb_model.predict(X_test)

# 計算準確度
accuracy = accuracy_score(y_test, y_pred)
print(f'準確度：{accuracy}')