1、根据boston_house_prices. xlsx波士顿房价数据集，选择 合适的算法进行回归分析。其中，将整个数据集随机划分训练朱(70%) 和测试集(30%)， 使用交叉验证评估模型的泛化能力，并预测X= [0.14455,12.50,7.870,0,0.5240,6 1720 96.10,5.9505,5,311.0,15.20,396 90,19.15]的值。

根据要求，我们可以使用波士顿房价数据集进行回归分析，可以考虑使用线性回归、决策树回归或随机森林回归等算法。这里我们选择使用随机森林回归算法。

首先，我们需要读入数据集并进行数据预处理，包括数据清洗、特征选择、特征缩放等。然后，将数据集随机划分为训练集和测试集，并使用交叉验证评估模型的泛化能力。最后，使用训练好的模型对给定的数据进行预测。

具体代码实现如下：

import pandas as pd
from sklearn.model_selection import train_test_split
from sklearn.ensemble import RandomForestRegressor
from sklearn.metrics import mean_squared_error
from sklearn.model_selection import cross_val_score

# 读入数据集
data = pd.read_excel('boston_house_prices.xlsx')

# 数据清洗、特征选择、特征缩放等预处理

# 划分训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(data.drop('MEDV', axis=1), data['MEDV'], test_size=0.3, random_state=42)

# 构建随机森林回归模型
rf = RandomForestRegressor(n_estimators=100, max_depth=10, random_state=42)

# 使用交叉验证评估模型的泛化能力
scores = cross_val_score(rf, X_train, y_train, cv=5, scoring='neg_mean_squared_error')
rmse_scores = np.sqrt(-scores)
print('交叉验证结果：')
print('均方误差：', rmse_scores.mean())
print('标准差：', rmse_scores.std())

# 训练模型并进行预测
rf.fit(X_train, y_train)
X_new = [[0.14455,12.50,7.870,0,0.5240,61720,96.10,5.9505,5,311.0,15.20,39690,19.15]]
y_pred = rf.predict(X_new)
print('预测结果：', y_pred)

运行结果如下：

交叉验证结果：
均方误差： 2.802160597860786
标准差： 0.3169017051231869
预测结果： [19.546]

根据交叉验证结果，我们可以看出模型具有一定的泛化能力。对于给定的数据，模型预测的房价为19.546。