波士顿房价预测（随机森林和线性回归）详情： 1.线性回归和随机森林建模 from sklearn.ensemble import RandomForestRegressor from sklearn.linear_model import LinearRegression 2.预测房价并绘制对比图

好的，下面是波士顿房价预测的代码：

# 导入相关库
import pandas as pd
from sklearn.datasets import load_boston
from sklearn.model_selection import train_test_split
from sklearn.ensemble import RandomForestRegressor
from sklearn.linear_model import LinearRegression
import matplotlib.pyplot as plt

# 加载数据集
boston = load_boston()
df = pd.DataFrame(boston.data, columns=boston.feature_names)
df['PRICE'] = boston.target

# 划分数据集
X = df.drop('PRICE', axis=1)
y = df['PRICE']
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

# 线性回归建模
lr = LinearRegression()
lr.fit(X_train, y_train)

# 随机森林建模
rf = RandomForestRegressor(n_estimators=100, random_state=42)
rf.fit(X_train, y_train)

# 预测房价
lr_pred = lr.predict(X_test)
rf_pred = rf.predict(X_test)

# 绘制对比图
plt.figure(figsize=(10, 5))
plt.plot(y_test.values, label='True')
plt.plot(lr_pred, label='Linear Regression')
plt.plot(rf_pred, label='Random Forest')
plt.legend()
plt.show()

这段代码的作用是：

1. 加载波士顿房价数据集，并将其转化为 DataFrame 格式。
2. 将数据集划分为训练集和测试集。
3. 使用线性回归和随机森林分别建立模型。
4. 对测试集进行预测，并绘制出真实房价和两个模型的预测房价的对比图。

如果你想要运行这段代码，需要先安装 scikit-learn 和 matplotlib 库。