以波士顿房价预测为例，编写程序，分别用岭回归、神经网络、支持向量机方法建立房价预测模型，涵盖完整的数据建模步骤，从预测误差（MSE和MAE）和决定系数（R2）对比不同模型的预测性能,并绘制不同模型预测结果和真实结果的对比曲线图。鼓励尝试新的预测模型和讨论模型中参数对预测性能的影响。

对于波士顿房价预测任务，我们将使用岭回归、神经网络和支持向量机三种方法来建立预测模型。下面是一种可能的实现方式：

1. 导入所需的库和数据集：

import numpy as np
import pandas as pd
from sklearn.datasets import load_boston
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import StandardScaler
from sklearn.linear_model import Ridge
from sklearn.neural_network import MLPRegressor
from sklearn.svm import SVR
from sklearn.metrics import mean_squared_error, mean_absolute_error, r2_score
import matplotlib.pyplot as plt

# 加载波士顿房价数据集
boston = load_boston()
X = boston.data
y = boston.target

# 数据集划分为训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

# 特征归一化
scaler = StandardScaler()
X_train = scaler.fit_transform(X_train)
X_test = scaler.transform(X_test)

2. 岭回归模型：

# 岭回归模型训练和预测
ridge = Ridge(alpha=0.5)
ridge.fit(X_train, y_train)
ridge_pred = ridge.predict(X_test)

# 计算误差和决定系数
ridge_mse = mean_squared_error(y_test, ridge_pred)
ridge_mae = mean_absolute_error(y_test, ridge_pred)
ridge_r2 = r2_score(y_test, ridge_pred)

# 绘制预测结果和真实结果对比曲线图
plt.scatter(y_test, ridge_pred)
plt.plot([y_test.min(), y_test.max()], [y_test.min(), y_test.max()], 'k--', lw=2)
plt.xlabel('True Values')
plt.ylabel('Predictions')
plt.title('Ridge Regression')
plt.show()

3. 神经网络模型：

# 神经网络模型训练和预测
mlp = MLPRegressor(hidden_layer_sizes=(100, 50), max_iter=1000, random_state=42)
mlp.fit(X_train, y_train)
mlp_pred = mlp.predict(X_test)

# 计算误差和决定系数
mlp_mse = mean_squared_error(y_test, mlp_pred)
mlp_mae = mean_absolute_error(y_test, mlp_pred)
mlp_r2 = r2_score(y_test, mlp_pred)

# 绘制预测结果和真实结果对比曲线图
plt.scatter(y_test, mlp_pred)
plt.plot([y_test.min(), y_test.max()], [y_test.min(), y_test.max()], 'k--', lw=2)
plt.xlabel('True Values')
plt.ylabel('Predictions')
plt.title('Neural Network')
plt.show()

4. 支持向量机模型：

# 支持向量机模型训练和预测
svm = SVR(kernel='linear')
svm.fit(X_train, y_train)
svm_pred = svm.predict(X_test)

# 计算误差和决定系数
svm_mse = mean_squared_error(y_test, svm_pred)
svm_mae = mean_absolute_error(y_test, svm_pred)
svm_r2 = r2_score(y_test, svm_pred)

# 绘制预测结果和真实结果对比曲线图
plt.scatter(y_test, svm_pred)
plt.plot([y_test.min(), y_test.max()], [y_test.min(), y_test.max()], 'k--', lw=2)
plt.xlabel('True Values')
plt.ylabel('Predictions')
plt.title('Support Vector Machine')
plt.show()

5. 输出各模型的评估结果：

print("岭回归模型的预测误差：")
print("MSE:", ridge_mse)
print("MAE:", ridge_mae)
print("决定系数 R2:", ridge_r2)

print("神经网络模型的预测误差：")
print("MSE:", mlp_mse)
print("MAE:", mlp_mae)
print("决定系数 R2:", mlp_r2)

print("支持向量机模型的预测误差：")
print("MSE:", svm_mse)
print("MAE:", svm_mae)
print("决定系数 R2:", svm_r2)

这样，我们就完成了岭回归、神经网络和支持向量机三种方法的建模和评估，并绘制了预测结果和真实结果的对比曲线图。你可以根据需要调整参数、尝试其他模型，并讨论参数对预测性能的影响。