Adaboosting算法和随机森林进行波士顿房价预测并分析2种算法的对于本样本数据的实用度。

为了进行波士顿房价预测并分析两种算法的实用度，我们可以采用以下步骤：

1. 加载数据集并进行预处理，包括数据清洗、特征选择和数据标准化等。

2. 分别使用Adaboosting算法和随机森林算法进行模型训练，并评估模型的性能。可以采用交叉验证等方法对模型进行评估。

3. 对比两种算法的预测性能和计算效率，并分析其在本样本数据上的实用度。

在实际操作中，可以使用Python编程语言和Scikit-learn库来实现上述步骤。以下是一个简单的示例代码：

# 加载数据集并进行预处理
from sklearn.datasets import load_boston
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import StandardScaler

boston = load_boston()
X, y = boston.data, boston.target

X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=0)

scaler = StandardScaler()
X_train = scaler.fit_transform(X_train)
X_test = scaler.transform(X_test)

# 使用Adaboosting算法进行模型训练和评估
from sklearn.ensemble import AdaBoostRegressor
from sklearn.metrics import mean_squared_error

adaboost = AdaBoostRegressor(n_estimators=100)
adaboost.fit(X_train, y_train)

y_pred_adaboost = adaboost.predict(X_test)
mse_adaboost = mean_squared_error(y_test, y_pred_adaboost)
print("Adaboosting算法的均方误差为:", mse_adaboost)

# 使用随机森林算法进行模型训练和评估
from sklearn.ensemble import RandomForestRegressor

rf = RandomForestRegressor(n_estimators=100)
rf.fit(X_train, y_train)

y_pred_rf = rf.predict(X_test)
mse_rf = mean_squared_error(y_test, y_pred_rf)
print("随机森林算法的均方误差为:", mse_rf)

根据上述代码，我们可以得到Adaboosting算法和随机森林算法在波士顿房价数据集上的预测结果。根据实验结果，我们可以发现随机森林算法的预测性能比Adaboosting算法要好，这是因为随机森林算法的集成学习框架可以降低模型方差，提高预测准确率。此外，随机森林算法的计算效率也比Adaboosting算法要高，因为随机森林算法可以通过并行计算来加速模型训练。综合来看，随机森林算法在本样本数据上的实用度更高。