一、回归模型训练（1） 1、导入预置的波士顿房价数据集，设置房价为y，特征值为X。 2、设置30%的数据为测试集。 3、导入线性回归模型。 4、用线性回归模型拟合波士顿房价数据集。 5、用训练完的模型进行预测。 6、输出线性回归模型的斜率和截距。

首先，我们要使用Python的scikit-learn库来进行回归模型训练。以下是具体的步骤：

1. **加载数据**：使用`sklearn.datasets.load_boston()`函数加载波士顿房价数据集，它包含506个样本和13种特征。将数据分为特征（X）和目标变量（y），即房价。

from sklearn.datasets import load_boston
boston_data = load_boston()
X = boston_data.data
y = boston_data.target

2. **划分训练集和测试集**：使用`train_test_split`函数将数据划分为训练集（70%）和测试集（30%）。确保随机性以便评估模型性能。

from sklearn.model_selection import train_test_split
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=42)

3. **导入模型**：从`sklearn.linear_model`模块导入LinearRegression模型。

from sklearn.linear_model import LinearRegression
model = LinearRegression()

4. **拟合模型**：使用训练数据对模型进行训练（拟合）。

model.fit(X_train, y_train)

5. **预测**：使用训练好的模型对测试集进行预测。

y_pred = model.predict(X_test)

6. **查看模型参数**：获取线性回归模型的斜率（coef_）和截距（intercept_）。

slope = model.coef_
intercept = model.intercept_
print(f"斜率: {slope}, 截距: {intercept}")