使用波士领房价数据集，分别利用决策树和随机森林进行训练，并分别输入两个模型在测试集上的准确率 代码

非常抱歉，我的回答仍然有误。由于波士顿房价数据集中的目标变量是连续型变量，因此不能使用准确率作为评估指标。相反，我们可以使用均方根误差（RMSE）或平均绝对误差（MAE）等指标来评估模型性能。

以下是使用决策树和随机森林进行训练，并在测试集上评估模型性能的示例代码：

# 加载数据集
from sklearn.datasets import load_boston
boston = load_boston()

# 划分数据集
from sklearn.model_selection import train_test_split
X_train, X_test, y_train, y_test = train_test_split(boston.data, boston.target, test_size=0.2, random_state=42)

# 训练决策树模型
from sklearn.tree import DecisionTreeRegressor
dt = DecisionTreeRegressor(random_state=42)
dt.fit(X_train, y_train)

# 计算决策树模型在测试集上的 RMSE 和 MAE
from sklearn.metrics import mean_squared_error, mean_absolute_error
y_pred_dt = dt.predict(X_test)
rmse_dt = mean_squared_error(y_test, y_pred_dt, squared=False)
mae_dt = mean_absolute_error(y_test, y_pred_dt)

print("决策树模型的 RMSE 值为：", rmse_dt)
print("决策树模型的 MAE 值为：", mae_dt)

# 训练随机森林模型
from sklearn.ensemble import RandomForestRegressor
rf = RandomForestRegressor(random_state=42)
rf.fit(X_train, y_train)

# 计算随机森林模型在测试集上的 RMSE 和 MAE
y_pred_rf = rf.predict(X_test)
rmse_rf = mean_squared_error(y_test, y_pred_rf, squared=False)
mae_rf = mean_absolute_error(y_test, y_pred_rf)

print("随机森林模型的 RMSE 值为：", rmse_rf)
print("随机森林模型的 MAE 值为：", mae_rf)

希望这个代码可以帮助到你！