波士顿房价预测用线性回归模型代码写出

波士顿房价预测是一个经典的机器学习案例，常常用于初学者练习线性回归。使用Python的`sklearn`库中的`LinearRegression`模型可以轻松完成这一任务。以下是一个简单的代码示例：

# 导入所需的库
from sklearn.datasets import load_boston
from sklearn.model_selection import train_test_split
from sklearn.linear_model import LinearRegression
from sklearn.metrics import mean_squared_error, r2_score

# 加载波士顿房价数据集
boston = load_boston()
X = boston.data
y = boston.target

# 划分训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

# 创建并训练线性回归模型
model = LinearRegression()
model.fit(X_train, y_train)

# 预测
y_pred = model.predict(X_test)

# 计算评估指标
mse = mean_squared_error(y_test, y_pred)
r2 = r2_score(y_test, y_pred)
print("Mean Squared Error:", mse)
print("R-squared Score:", r2)

这个例子首先加载波士顿房价数据集，然后划分数据为训练集和测试集。接着创建`LinearRegression`对象，并用训练集数据对其进行拟合。最后，模型会对测试集数据进行预测，并计算预测结果与实际值之间的误差（MSE）以及模型拟合程度（R²分数）。