使用套索回归预测波士顿房价

使用套索回归来预测波士顿房价是一种常见的机器学习任务。套索回归是一种基于L1正则化的线性回归方法，它可以通过控制模型的复杂度来提高预测的准确性。

首先，我们需要准备数据集。波士顿房价数据集是一个经典的回归数据集，可以在scikit-learn库中找到。然后，我们可以使用scikit-learn库中的套索回归模型来训练和预测。

下面是一个使用套索回归预测波士顿房价的示例代码：

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

# 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)

# 创建套索回归模型
lasso = Lasso(alpha=0.1)

# 训练模型
lasso.fit(X_train, y_train)

# 预测测试集
y_pred = lasso.predict(X_test)

# 计算均方误差
mse = mean_squared_error(y_test, y_pred)
print("均方误差：", mse)