1.将房价数据划分测试集和训练集（三种方法）。 2.利用下述工具构建多元线性回归模型，并对模型进行泛化能力评估。 3.工具：scikitlearn; numpy; pandas; matplotlib

1. 将房价数据划分为训练集和测试集有以下几种常见方法：
- **随机划分**：通过Python库如`sklearn.model_selection.train_test_split`，可以设置固定比例，比如70%的数据作为训练集，剩下的30%作为测试集。
- **时间序列划分**：如果数据按时间顺序排列，可以使用最近的数据作为测试集，旧的数据用于训练，保证测试结果不受未来信息影响。
- **交叉验证**：K-Fold交叉验证会将数据分多次（如5折），每次把一部分作为验证集，其余作为训练集，最后汇总所有结果。

2. 使用`scikit-learn`、`numpy`、`pandas`和`matplotlib`构建多元线性回归模型并评估泛化能力通常步骤如下：
a. 导入所需库：

     import pandas as pd
     import numpy as np
     from sklearn.model_selection import train_test_split
     from sklearn.linear_model import LinearRegression
     from sklearn.metrics import mean_squared_error, r2_score
     import matplotlib.pyplot as plt

b. 加载和预处理数据：

     data = pd.read_csv('house_prices.csv') # 假设数据来自CSV文件
     X = data.drop('price', axis=1) # 特征列
     y = data['price'] # 目标变量

     # 划分特征和目标变量
     X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

c. 构建模型并拟合数据：

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

d. 预测和评估：

     y_pred = model.predict(X_test)
     mse = mean_squared_error(y_test, y_pred)
     r2 = r2_score(y_test, y_pred)

     # 可视化结果
     plt.scatter(y_test, y_pred)
     plt.xlabel('实际价格')
     plt.ylabel('预测价格')
     plt.show()
     print(f"Mean Squared Error (MSE): {mse}")
     print(f"R^2 Score: {r2}")

这里`mean_squared_error`衡量误差，`r2_score`表示模型解释数据方差的能力。

3.