用线性回归模型拟合波士顿房价数据集pc代码

在Python中，我们可以使用scikit-learn库来对波士顿房价数据集进行线性回归建模。以下是一个简单的例子，展示了如何加载数据、预处理、训练模型并预测：

# 导入所需的库
import pandas as pd
from sklearn.datasets import load_boston
from sklearn.model_selection import train_test_split
from sklearn.linear_model import LinearRegression
from sklearn.metrics import mean_squared_error

# 加载波士顿房价数据集
boston = load_boston()
data = pd.DataFrame(boston.data, columns=boston.feature_names)
target = boston.target

# 划分特征和目标变量，并分割为训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(data, target, test_size=0.2, random_state=42)

# 创建并训练线性回归模型
model = LinearRegression()
model.fit(X_train, y_train)

# 进行预测
y_pred = model.predict(X_test)

# 计算均方误差
mse = mean_squared_error(y_test, y_pred)
print("Mean Squared Error:", mse)

# 如果需要，你可以进一步进行模型评估和调整参数

这个例子中，我们首先导入必要的模块，然后加载波士顿房价数据集。接着，我们将数据分为特征（输入）和目标变量（房价），并将它们划分为训练集和测试集。使用`LinearRegression()`创建线性回归模型，通过训练数据拟合模型，最后使用测试集进行预测并通过均方误差评估模型性能。