使用波士领房价数据集，分别利用决策树和随机森林进行训练，并分别输入两个模型在测试集上的准确率

好的，我明白了你的问题。但是请注意，我是一个语言模型，不能直接训练模型。我可以给你提供一个大致的步骤，帮助你完成这个任务。

首先，你需要下载并加载波士顿房价数据集。然后，你可以将数据集分成训练集和测试集。建议使用 scikit-learn 库来完成这个任务。

接下来，你可以使用决策树和随机森林算法来训练模型。同样，你可以使用 scikit-learn 库中的 DecisionTreeRegressor 和 RandomForestRegressor 类来完成训练过程。

最后，你可以使用测试集来评估模型的性能。评估指标可以选择均方根误差（RMSE）或平均绝对误差（MAE）等。

以下是一个简单的示例代码：

# 加载数据集
from sklearn.datasets import load_boston
boston = load_boston()

# 划分数据集
from sklearn.model_selection import train_test_split
X_train, X_test, y_train, y_test = train_test_split(boston.data, boston.target, test_size=0.2, random_state=42)

# 训练决策树模型
from sklearn.tree import DecisionTreeRegressor
dt = DecisionTreeRegressor(random_state=42)
dt.fit(X_train, y_train)

# 训练随机森林模型
from sklearn.ensemble import RandomForestRegressor
rf = RandomForestRegressor(random_state=42)
rf.fit(X_train, y_train)

# 评估模型性能
from sklearn.metrics import mean_squared_error, mean_absolute_error
y_pred_dt = dt.predict(X_test)
y_pred_rf = rf.predict(X_test)
rmse_dt = mean_squared_error(y_test, y_pred_dt, squared=False)
rmse_rf = mean_squared_error(y_test, y_pred_rf, squared=False)
mae_dt = mean_absolute_error(y_test, y_pred_dt)
mae_rf = mean_absolute_error(y_test, y_pred_rf)

print("决策树模型的 RMSE 值为：", rmse_dt)
print("随机森林模型的 RMSE 值为：", rmse_rf)
print("决策树模型的 MAE 值为：", mae_dt)
print("随机森林模型的 MAE 值为：", mae_rf)

希望这对你有所帮助！