线性回归波士顿房价预测

好的，我了解了你的问题。线性回归是一种常见的机器学习算法，用于预测连续型变量。波士顿房价预测是一个经典的案例，许多人使用线性回归模型来预测波士顿房价。在这个问题中，我们需要使用波士顿房价数据集来训练一个线性回归模型，然后使用该模型来预测房价。

首先，我们需要导入数据集并进行数据预处理。然后，我们可以使用线性回归模型来训练数据，并使用测试数据集来评估模型的性能。最后，我们可以使用该模型来预测新的房价。

以下是一个简单的 Python 代码示例，用于训练和测试线性回归模型以预测波士顿房价：

# 导入必要的库
import numpy as np
import pandas as pd
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()

# 将数据集转换为 Pandas DataFrame 格式
boston_df = pd.DataFrame(boston.data, columns=boston.feature_names)

# 添加目标变量（房价）
boston_df['PRICE'] = boston.target

# 分割数据集为训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(boston_df[boston.feature_names], boston_df['PRICE'], test_size=0.2, random_state=42)

# 训练线性回归模型
lr = LinearRegression()
lr.fit(X_train, y_train)

# 在测试集上评估模型性能
y_pred = lr.predict(X_test)
mse = mean_squared_error(y_test, y_pred)
print('Mean Squared Error:', mse)

# 使用模型预测新的房价
new_data = np.array([[0.1, 18.0, 2.0, 0, 0.5, 6.0, 65.0, 4.0, 1, 280.0, 19.0, 390.0, 5.0]])
new_pred = lr.predict(new_data)
print('Predicted Price:', new_pred[0])