Python实现XGBoost回归+SHAP，科研首选算法
今天给大家分享一个超级完整的XGBoost回归预测与可视化代码！🌟 无论是做科研分析还是数据竞赛，这套代码都能帮你从搞定数据建模到模型解释！
✨ 代码亮点速览：
1️⃣ 完整建模流程：数据导入 → 归一化 → 训练/测试集拆分 → 网格搜索调参（可选）→ 模型训练与预测
2️⃣ 全方位评估：输出R²、RMSE、MAE、MAPE等指标，还做了残差正态性检验（K-S检验）
3️⃣ 高级可视化套装：
预测vs实际散点图：带渐变色直方图+KDE曲线，颜值与信息量并存
残差分析图：双子图展示残差分布与统计检验，直观检查模型假设
SHAP分析图：内置特征重要性玫瑰图+蜂群图，清晰解释每个特征如何影响预测
特征依赖图：展示关键特征与SHAP值的关系，深入理解模型行为
🎨 图片不仅好看，更是科研利器！
所有图表支持中英双语字体（宋体+新罗马），符合学术出版要求
渐变色系视觉舒适，适合放入论文或报告
子图组合与注释专业，一键保存高清PNG
💻 代码开箱即用：
只需修改数据路径，即可快速复现
支持切换“网格搜索调参”和“手动参数”两种模式
自动保存所有图表到指定文件夹
适合想要提升建模效率、追求可视化美感、需要SHAP可解释性分析的你！收藏起来，下次项目直接套用吧～
