使用波士顿房价数据预测集进行线性回归预测python代码

在Python中，我们可以使用Scikit-Learn库来进行波士顿房价数据预测的线性回归分析。首先，你需要安装必要的库，比如pandas、numpy、matplotlib以及scikit-learn。下面是一个简单的例子：

# 导入所需的库
import pandas as pd
import numpy as np
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   # 特征数组
y = boston.target # 目标变量（房价）

# 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)

# 创建线性回归模型
model = LinearRegression()

# 训练模型
model.fit(X_train, y_train)

# 预测
y_pred = model.predict(X_test)

# 评估模型性能
mse = mean_squared_error(y_test, y_pred)
r2 = r2_score(y_test, y_pred)
print(f"均方误差 (MSE): {mse}")
print(f"R²得分: {r2}")

# 示例代码并未显示如何保存模型或做更复杂的特征工程，实际应用中可能需要考虑这些步骤。

在这个例子中，我们加载了波士顿房价数据集，划分成训练集和测试集，然后创建了一个线性回归模型，并通过训练数据对其进行训练。最后，我们在测试集上进行预测并计算了模型的均方误差(MSE) 和 R²得分。