利用sklearn库的波士顿房价预测

利用Python的scikit-learn（sklearn）库进行波士顿房价预测是一个常见的机器学习案例，它通常涉及到线性回归模型。波士顿房价数据集是sklearn内置的一个经典数据集，包含506个观测值和14种特征，比如犯罪率、住房年龄、人口密度等。

以下是使用sklearn进行波士顿房价预测的基本步骤：

1. **导入库和数据**：

import numpy as np
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

boston = load_boston()
X = boston.data
y = boston.target

2. **数据预处理**：
划分训练集和测试集。

X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

3. **建立模型**：
创建一个线性回归模型。

model = LinearRegression()

4. **拟合模型**：
使用训练数据对模型进行训练。

model.fit(X_train, y_train)

5. **预测**：
对测试集进行预测。

y_pred = model.predict(X_test)

6. **评估**：
计算预测结果与实际值之间的误差，如均方根误差（RMSE）。

rmse = np.sqrt(mean_squared_error(y_test, y_pred))
print(f"RMSE: {rmse}")