用pandas进行波斯顿房价预测 2、利用波士顿房价数据集构建一个预测房价的线性模型，并实现房价预测 任务。 （1）数据准备； （2）模型构建与训练； （3）模型评估； （4）结果可视化。

使用Python的Pandas库进行波士顿房价预测是一个常见的机器学习入门示例，通常涉及以下步骤：

1. **数据准备**:
- 导入所需的库：首先从`sklearn.datasets`模块导入波士顿房价数据集（Boston Housing Dataset），然后使用`pandas`读取数据。

   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  # 添加目标变量（房价）

- 数据预处理：检查缺失值并进行必要的清洗，例如标准化或归一化特征。

2. **模型构建与训练**:
- 导入所需的模型：这里可以选择如线性回归模型 `LinearRegression`。

   from sklearn.model_selection import train_test_split
   from sklearn.linear_model import LinearRegression
   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)
   model = LinearRegression()
   model.fit(X_train, y_train)

3. **模型评估**:
- 使用测试集评估模型性能，如计算R²分数（决定系数）来衡量拟合程度。

   from sklearn.metrics import r2_score
   y_pred = model.predict(X_test)
   r2 = r2_score(y_test, y_pred)
   print("R² Score:", r2)

4. **结果可视化**:
- 可视化实际房价和预测房价的关系，以及残差分析。

   import matplotlib.pyplot as plt
   plt.scatter(y_test, y_pred, color='blue')
   plt.xlabel('Actual Prices')
   plt.ylabel('Predicted Prices')
   plt.title('Residual Plot')
   plt.show()