已知训练集和测试集，房价预测代码

在机器学习中，房价预测是一个常见的回归任务，常常使用数据集如波士顿房价数据集（Boston Housing Dataset）或房价预测竞赛数据集（如Kaggle的House Prices: Advanced Regression Techniques竞赛数据）。这些数据集通常包含房屋的各种特征，如面积、位置、年龄等，目标变量则是房屋的售价。

已知训练集和测试集是数据科学项目中的标准划分，用于评估模型的性能。训练集用于训练模型，让模型学习数据的规律，而测试集则是在模型训练完成后用来验证模型的泛化能力，防止过拟合。一般来说，训练集占总数据的大部分，比如70%~80%，剩下的20%~30%作为测试集。

一个简单的房价预测代码可能使用Python语言，结合Scikit-learn库，如下所示：

import pandas as pd
from sklearn.model_selection import train_test_split
from sklearn.linear_model import LinearRegression
from sklearn.metrics import mean_squared_error, r2_score

# 加载数据
data = pd.read_csv('house_prices.csv') # 假设数据文件名为house_prices.csv
X = data.drop('SalePrice', axis=1) # 特征列
y = data['SalePrice'] # 目标变量

# 划分训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, 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
y_pred = model.predict(X_test)

# 评估模型
mse = mean_squared_error(y_test, y_pred)
r2 = r2_score(y_test, y_pred)
print("MSE:", mse)
print("R2 Score:", r2)