使用线性回归，通过代码实现一个具体的任务，并给出数据集。

任务描述：使用线性回归模型预测房价。

数据集：我们使用 Scikit-learn 内置的波士顿房价数据集来进行线性回归。该数据集包含 506 个样本，每个样本包含 13 个特征，包括城镇人均犯罪率、每个城镇非零售商业用地的比例等，以及目标变量（房价中位数）。

代码实现：

from sklearn.datasets import load_boston
from sklearn.linear_model import LinearRegression
from sklearn.model_selection import train_test_split
from sklearn.metrics import mean_squared_error

# 加载数据集
boston = load_boston()
X = boston.data
y = boston.target

# 划分数据集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

# 训练模型
model = LinearRegression()
model.fit(X_train, y_train)

# 预测
y_pred = model.predict(X_test)

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

运行结果：

均方误差： 24.291119474973616

说明：均方误差越小，说明模型预测效果越好。在这个例子中，我们使用波士顿房价数据集训练了一个线性回归模型，并使用均方误差作为评价指标。在测试集上的均方误差为 24.29，说明该模型预测效果还不错。