x_train, x_test, y_train, y_test = train_test_split(data.data, data.target,random_state=22) transfer = StandardScaler() x_train = transfer.fit_transform(x_train) x_test = transfer.fit_transform(x_test) estimator = LinearRegression() estimator.fit(x_train, y_train) y_predict = estimator.predict(x_test) print("预测值为:\n", y_predict) print("模型中的系数为:\n", estimator.coef_) print("模型中的偏置为:\n", estimator.intercept_) error = mean_squared_error(y_test, y_predict) print("误差为:\n", error)

这段代码实现了对波士顿房价数据集的线性回归建模和预测。具体步骤如下：

1.使用train_test_split函数将数据集随机划分为训练集和测试集，其中数据.data存储的是特征数据，数据.target存储的是目标值数据（即房价）。

2.使用StandardScaler函数对训练集和测试集进行标准化处理，将特征数据转化为均值为0、方差为1的数据。

3.使用LinearRegression函数进行线性回归建模，对训练集进行拟合。

4.使用estimator.predict函数在测试集上进行预测，得到预测结果y_predict。

5.输出模型中的系数和偏置，以及预测误差（均方误差）。

这段代码可以用于对波士顿房价数据集进行线性回归建模和预测，并且可以通过调整参数来改进模型的性能。