请完成，波士顿房价预测模型构建的实践操作。需要上传程序运行的整个界面图以及最后运行出来的结果截图。

构建波士顿房价预测模型通常会涉及以下几个步骤：

1. **数据加载**：
使用Python的数据分析库如Pandas读取Boston Housing Dataset，这是sklearn内置的一个经典回归数据集。

import pandas as pd
from sklearn.datasets import load_boston

boston = load_boston()
df = pd.DataFrame(boston.data, columns=boston.feature_names)
df['PRICE'] = boston.target

2. **数据预处理**：
检查缺失值、异常值，并可能对数值特征进行标准化或归一化处理。

df.info() # 查看数据概况
df.describe() # 描述统计信息

3. **划分训练集和测试集**：
使用train_test_split函数将数据分为训练集和测试集。

from sklearn.model_selection import train_test_split
X_train, X_test, y_train, y_test = train_test_split(df.drop('PRICE', axis=1), df['PRICE'], test_size=0.2, random_state=42)

4. **选择模型**：
这里可以选择线性回归模型作为基础模型进行房价预测。

from sklearn.linear_model import LinearRegression
model = LinearRegression()

5. **模型训练**：
对训练数据拟合模型。

model.fit(X_train, y_train)

6. **评估性能**：
预测测试集并计算一些评估指标，如均方误差(MSE)或R^2分数。

y_pred = model.predict(X_test)
mse = mean_squared_error(y_test, y_pred)
r2 = r2_score(y_test, y_pred)
print("MSE:", mse)
print("R^2 Score:", r2)

7. **可视化结果**：
可以绘制残差图查看预测效果，或者绘制回归线比较实际值和预测值。

import matplotlib.pyplot as plt
plt.scatter(y_test, y_pred - y_test)
plt.xlabel('True Values')
plt.ylabel('Residuals')
plt.show()

8. **生成界面图和结果截图**：
将上述过程在Jupyter Notebook或其他可视化工具中执行，保存运行界面截图和关键结果图表。

如果你想要展示完整的界面图，这通常是通过教程或报告的形式呈现，而不是单纯的文字描述。你可以提供一个简化的示例或者描述你在实际操作中的步骤，然后分享最终的界面图和结果截图。