生成代码jupyter notebook （1） 从 sklearn.datasets 中导入波士顿房价读取器，分别读取数据集中的 data 和 target 作为训练数据特征和目标房价； （2） 将数据集按照 8:2 的比例划分为训练集和测试集； （3） 对数据进行归一化处理（方式任选）； （4） 使用线性核函数配置的支持向量机进行回归训练，并对测试样本进行预测； （5） 使用径向基核函数的支持向量机进行回归训练，并对测试样本进行预测；

好的，以下是你需要的代码：

# （1） 从 sklearn.datasets 中导入波士顿房价读取器，分别读取数据集中的 data 和 target 作为训练数据特征和目标房价；
from sklearn.datasets import load_boston
boston = load_boston()
X = boston.data
y = boston.target

# （2） 将数据集按照 8:2 的比例划分为训练集和测试集；
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)

# （3） 对数据进行归一化处理（方式任选）；
from sklearn.preprocessing import StandardScaler
scaler = StandardScaler()
X_train = scaler.fit_transform(X_train)
X_test = scaler.transform(X_test)

# （4） 使用线性核函数配置的支持向量机进行回归训练，并对测试样本进行预测；
from sklearn.svm import SVR
linear_svr = SVR(kernel='linear')
linear_svr.fit(X_train, y_train)
linear_svr_y_pred = linear_svr.predict(X_test)

# （5） 使用径向基核函数的支持向量机进行回归训练，并对测试样本进行预测；
rbf_svr = SVR(kernel='rbf')
rbf_svr.fit(X_train, y_train)
rbf_svr_y_pred = rbf_svr.predict(X_test)

这段代码实现了从sklearn.datasets中导入波士顿房价数据集，将数据集按照8:2的比例划分为训练集和测试集，对数据进行归一化处理，使用线性核函数配置的支持向量机进行回归训练，并对测试样本进行预测，以及使用径向基核函数的支持向量机进行回归训练，并对测试样本进行预测。