代码生成分别使用集成算法和随机森林两种算法进行波士顿房价预测

好的，下面是使用集成算法和随机森林两种算法进行波士顿房价预测的代码示例。

首先，我们需要导入必要的库和读取数据集：

import pandas as pd
import numpy as np
from sklearn.datasets import load_boston
from sklearn.model_selection import train_test_split
from sklearn.metrics import mean_squared_error
from sklearn.ensemble import RandomForestRegressor
from sklearn.ensemble import GradientBoostingRegressor

# 读取数据集
boston = load_boston()
X = pd.DataFrame(boston.data, columns=boston.feature_names)
y = pd.Series(boston.target)

接下来，我们将数据集拆分为训练集和测试集，并使用集成算法和随机森林分别训练模型，并对其进行评估：

# 拆分数据集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

# 训练和评估集成算法模型
gb = GradientBoostingRegressor(n_estimators=100, random_state=42)
gb.fit(X_train, y_train)
y_pred_gb = gb.predict(X_test)
print(f'Gradient Boosting test MSE: {mean_squared_error(y_test, y_pred_gb):.2f}')

# 训练和评估随机森林模型
rf = RandomForestRegressor(n_estimators=100, random_state=42)
rf.fit(X_train, y_train)
y_pred_rf = rf.predict(X_test)
print(f'Random Forest test MSE: {mean_squared_error(y_test, y_pred_rf):.2f}')

在这个示例中，我们首先训练和评估集成算法模型，然后使用随机森林模型作为对比。最后，我们评估两种模型在测试集上的性能。

请注意，集成算法需要更多的计算资源和时间，因为它通过训练多个弱分类器来构建一个强分类器。您可以根据需要对代码进行修改和优化。