导入预制的波士顿房价数据集，设置房价为y，特征为x。设置百分之三十的数据为测试集，导入线性回归模型，用线性回归模型拟合波士顿房价数据集，用训练完的模型进行预测，输出线性回归模型的斜率和截距

为了完成这个任务，你需要按照以下步骤操作：

1. 首先，导入必要的库：

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

2. 加载波士顿房价数据集，并分离特征（X）和目标变量（y）：

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

3. 划分训练集和测试集，通常使用70%的数据作为训练集，剩余30%作为测试集：

X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=42)

4. 创建并训练线性回归模型：

model = LinearRegression()
model.fit(X_train, y_train)

5. 使用训练好的模型进行预测，并获取斜率（coef_）和截距（intercept_）：

predictions = model.predict(X_test)
slope = model.coef_[0]  # 斜率
intercept = model.intercept_  # 截距

print("模型的斜率:", slope)
print("模型的截距:", intercept)

6. 可以计算一下模型的性能指标，比如均方误差（MSE）：

mse = mean_squared_error(y_test, predictions)
print("均方误差(MSE):", mse)

以上就是完整的操作过程。注意这里的`random_state`参数是为了保证每次划分数据集的结果一致，如果不需要一致，可以去掉。