3. XGBoost 安装与环境配置：Python 环境搭建、XGBoost 库安装、GPU 加速配置

在开始使用 XGBoost 进行情景分析与 A/B 测试之前，搭建一个稳定、高性能的运行环境是首要任务。本章将系统性地指导你完成从 Python 基础环境配置到 XGBoost 库安装，再到 GPU 加速的全流程。一个正确的环境配置不仅能避免后续开发中的兼容性问题，更能充分发挥 XGBoost 在计算效率上的优势。

3.1 Python 环境搭建

推荐使用 Anaconda 或 Miniconda 作为 Python 环境管理工具，它们能够隔离不同项目的依赖，避免包冲突。以下是两种主流搭建方式：

环境创建与激活步骤：

1. 下载并安装 Miniconda（选择 Python 3.9 或 3.10 版本）。
2. 打开终端（Windows 使用 Anaconda Prompt）。
3. 执行以下命令创建虚拟环境：

conda create -n xgb_abtest python=3.9 -y
conda activate xgb_abtest

3.2 XGBoost 库安装

XGBoost 提供了多种安装渠道，根据你的操作系统和硬件条件选择最合适的方案。以下表格对比了三种主流安装方式：

import xgboost as xgb
print("XGBoost 版本:", xgb.__version__)
print("编译信息:", xgb.build_info())

如果输出中显示 USE_CUDA = True，则说明 GPU 支持已成功编译进 XGBoost。

3.3 GPU 加速配置

在情景分析与 A/B 测试中，经常需要处理大规模数据集或进行超参数网格搜索。GPU 加速可以将训练时间从小时级缩短到分钟级。以下 SVG 图展示了 XGBoost 在 GPU 模式下的核心工作流程：

GPU 加速配置三步走：

1. 检查硬件与驱动： 确认 NVIDIA GPU（计算能力 6.0+），安装最新驱动。
2. 安装 CUDA 工具包： 推荐 CUDA 11.x 或 12.x，与 XGBoost 版本匹配。
3. 安装 cuDNN： 深度学习加速库，部分场景下可提升性能。

3.4 环境验证与测试

完成安装后，运行以下完整测试脚本，验证 CPU 和 GPU 两种模式是否都能正常工作：

import xgboost as xgb
import numpy as np
from sklearn.datasets import make_classification

# 生成模拟数据
X, y = make_classification(n_samples=10000, n_features=20, random_state=42)

# CPU 模式训练
dtrain = xgb.DMatrix(X, label=y)
params_cpu = {'max_depth': 6, 'eta': 0.1, 'objective': 'binary:logistic'}
model_cpu = xgb.train(params_cpu, dtrain, num_boost_round=50)
print("CPU 训练完成")

# GPU 模式训练（如果可用）
params_gpu = params_cpu.copy()
params_gpu['tree_method'] = 'gpu_hist'
try:
    model_gpu = xgb.train(params_gpu, dtrain, num_boost_round=50)
    print("GPU 训练完成 ✅")
except xgb.core.XGBoostError as e:
    print(f"GPU 训练失败: {e}")
    print("请检查 CUDA 安装或回退到 CPU 模式")

3.5 环境配置清单速查表