用python写一个多元线性回归对波士顿房价的预测，外加可视化

好的，我可以帮你实现这个任务。我们可以使用Scikit-learn库来实现多元线性回归，并使用Matplotlib库进行可视化。

首先，我们需要加载波士顿房价数据集。Scikit-learn库已经内置了这个数据集，可以直接使用。我们可以使用以下代码加载数据集：

from sklearn.datasets import load_boston

boston = load_boston()

接下来，我们可以将数据集分成特征和目标变量。特征变量包含13个房屋特征，例如平均房间数、犯罪率等。目标变量是房价。

X = boston.data
y = boston.target

然后，我们可以使用Scikit-learn库的`train_test_split`函数将数据集分成训练集和测试集。我们将80%的数据用于训练，20%的数据用于测试。

from sklearn.model_selection import train_test_split

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

接下来，我们可以使用Scikit-learn库的`LinearRegression`类来实现多元线性回归，并使用训练集拟合模型。

from sklearn.linear_model import LinearRegression

model = LinearRegression()
model.fit(X_train, y_train)

现在我们已经训练好了模型，可以使用测试集来评估模型的性能。

y_pred = model.predict(X_test)

from sklearn.metrics import mean_squared_error

mse = mean_squared_error(y_test, y_pred)
print("Mean Squared Error:", mse)

最后，我们可以使用Matplotlib库来进行可视化。我们可以使用散点图将测试集中的实际房价和预测的房价进行比较。

import matplotlib.pyplot as plt

plt.scatter(y_test, y_pred)
plt.xlabel("Actual Prices")
plt.ylabel("Predicted Prices")
plt.title("Actual vs Predicted Prices")
plt.show()

完整的代码如下：

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
import matplotlib.pyplot as plt

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

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

model = LinearRegression()
model.fit(X_train, y_train)

y_pred = model.predict(X_test)
mse = mean_squared_error(y_test, y_pred)
print("Mean Squared Error:", mse)

plt.scatter(y_test, y_pred)
plt.xlabel("Actual Prices")
plt.ylabel("Predicted Prices")
plt.title("Actual vs Predicted Prices")
plt.show()