需要将数据集进行训练集测试集划分，并使用训练集进行正规方程法求解线性回归参数 并检查模型在测试集上的误差

以下是使用Python实现的示例代码，假设数据集已经被加载并存储在X和y中：

import numpy as np
from sklearn.model_selection import train_test_split

# 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)

# 计算正规方程法的参数
X_train_transpose = np.transpose(X_train)
theta = np.linalg.inv(X_train_transpose.dot(X_train)).dot(X_train_transpose).dot(y_train)

# 在测试集上进行预测并计算误差
y_pred = X_test.dot(theta)
mse = np.mean((y_test - y_pred) ** 2)
print("Mean squared error:", mse)

这段代码使用`train_test_split`函数将数据集划分为训练集和测试集，其中测试集的大小为20%。然后，使用正规方程法求解线性回归参数，并将其应用于测试集进行预测。最后，计算预测误差的均方误差（MSE）作为模型性能的度量。