利用波士顿地区房价数据集，使用线性回归完成建立预测模型、测试等功能。

好的，针对你的问题，我可以给出以下回答：

波士顿地区房价数据集是一个经典的数据集，其中包含了来自美国波士顿地区的506个房屋样本，每个样本包含了13个特征，比如犯罪率、房间数、是否靠近河流等等。我们可以使用线性回归算法来对这个数据集进行建模，并预测房价。

以下是完成该任务的一般步骤：

1. 导入数据集：可以使用Python中的pandas库读取数据集文件，并将其存储为DataFrame格式。

2. 数据预处理：对于数据集中的缺失值、异常值等进行处理，使数据更加适合进行建模。

3. 特征工程：可以根据数据集的特点进行特征选择、特征提取等操作，以提高模型的性能。

4. 建立模型：使用线性回归算法建立模型，并使用训练集进行训练。

5. 模型评估：使用测试集对建立的模型进行评估，可以使用均方误差（MSE）、均方根误差（RMSE）、平均绝对误差（MAE）等指标。

6. 模型优化：可以通过调整模型参数、改进特征工程等方法来优化模型性能。

7. 预测结果：使用训练好的模型对新的房屋数据进行预测，得出其对应的房价。

以上是一个一般的建模流程，具体实现方式可以根据实际情况进行调整。希望这些信息能够对你有所帮助。