波士顿房价的数据集进行回归算法训练

波士顿房价数据集是一个经典的回归问题数据集，包含了506个样本和13个特征，其中特征包括城镇人口比例、犯罪率、房屋年龄等等。目标是预测每个区域的房价中位数。

以下是一个使用线性回归算法在波士顿房价数据集上进行训练的示例代码：

from sklearn.datasets import load_boston
from sklearn.linear_model import LinearRegression
from sklearn.model_selection import train_test_split
from sklearn.metrics import mean_squared_error

# 加载数据集
boston = load_boston()

# 划分训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(boston.data, boston.target, test_size=0.2, random_state=42)

# 创建线性回归模型
model = LinearRegression()

# 训练模型
model.fit(X_train, y_train)

# 在测试集上进行预测
y_pred = model.predict(X_test)

# 评估模型性能
mse = mean_squared_error(y_test, y_pred)
print('MSE:', mse)

上述代码中，我们首先加载了波士顿房价数据集，然后使用`train_test_split`函数将数据集划分为训练集和测试集。然后，我们创建了一个`LinearRegression`模型，并使用训练集对模型进行了训练。最后，我们在测试集上进行了预测，并使用`mean_squared_error`函数计算了模型的均方误差（MSE）。

当然，我们也可以使用其他回归算法，如决策树回归、随机森林回归、支持向量回归等。不同的算法适用于不同的数据集和问题，因此需要根据具体情况选择合适的算法。