随机生成两个包含有10个实数的列表，其中一个列表表示10个输入实例，另一个列表表示每个实例对应的实数输出值； 以上述全部数据为训练集，构建线性回归模型（推荐使用sklearn.linear_model.LinearRegression()）； 使用均方误差回归损失(sklearn.metrics.mean_squared_error)计算训练误差，同时绘制数据和训练所得的拟合直线。

好的，让我来回答这个问题。

首先，我们可以使用 Python 中的 NumPy 库来生成两个包含有10个实数的列表，其中一个列表表示10个输入实例，另一个列表表示每个实例对应的实数输出值。然后，我们可以使用 sklearn.linear_model.LinearRegression() 来构建线性回归模型，并使用均方误差回归损失(sklearn.metrics.mean_squared_error)计算训练误差。最后，我们可以使用 Matplotlib 库来绘制数据和训练所得的拟合直线。

下面是完整的代码：

import numpy as np
from sklearn.linear_model import LinearRegression
from sklearn.metrics import mean_squared_error
import matplotlib.pyplot as plt

# 随机生成两个包含有10个实数的列表
X = np.random.rand(10, 1)
y = np.random.rand(10, 1)

# 构建线性回归模型
model = LinearRegression()
model.fit(X, y)

# 计算训练误差
y_pred = model.predict(X)
mse = mean_squared_error(y, y_pred)
print("训练误差：", mse)

# 绘制数据和训练所得的拟合直线
plt.scatter(X, y, color='blue')
plt.plot(X, y_pred, color='red')
plt.show()

希望这个回答能够帮助到你！