请将多变量线性回归模型进行python编程实现，并以此模型来处理sklearn机器学习库中自带的波士顿房价数据集，建立13个变量与房价y之间的预测模型，并评估模型优劣。

在Python中，我们可以使用scikit-learn库中的LinearRegression模型来进行多变量线性回归。以下是一个简单的步骤，包括数据加载、模型训练和评估：

# 首先导入必要的库
import numpy as np
import pandas as pd
from sklearn.datasets import load_boston
from sklearn.model_selection import train_test_split
from sklearn.linear_model import LinearRegression
from sklearn.metrics import mean_squared_error, r2_score

# 加载波士顿房价数据集
boston = load_boston()
X = boston.data  # 特征数组
y = boston.target  # 目标变量，即房价

# 数据预处理，通常我们会归一化或标准化数值型特征
from sklearn.preprocessing import StandardScaler
scaler = StandardScaler()
X_scaled = scaler.fit_transform(X)

# 划分训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X_scaled, y, test_size=0.2, random_state=42)

# 创建并训练线性回归模型
model = LinearRegression()
model.fit(X_train, y_train)

# 预测测试集结果
y_pred = model.predict(X_test)

# 评估模型性能
mse = mean_squared_error(y_test, y_pred)
r2 = r2_score(y_test, y_pred)

print("Mean Squared Error (MSE):", mse)
print("R-squared Score:", r2)

# R-squared接近1表示模型拟合得好，接近0则表示模型效果较差

在这个例子中，我们使用了均方误差(Mean Squared Error)和R²分数(R-squared)来评估模型的性能。MSE衡量的是预测值与真实值之间的平均差异平方，而R²分数表示模型解释目标变量变异性的比例。