代码生成分别使用集成学习和随机森林两种算法进行波士顿房价预测

好的，针对你的问题，我可以给出以下代码示例：

使用集成学习算法进行波士顿房价预测：

from sklearn.ensemble import VotingRegressor
from sklearn.linear_model import LinearRegression
from sklearn.tree import DecisionTreeRegressor
from sklearn.neighbors import KNeighborsRegressor
from sklearn.datasets import load_boston
from sklearn.metrics import mean_squared_error
from sklearn.model_selection import train_test_split

# 加载数据集
boston = load_boston()
X = boston.data
y = boston.target

# 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)

# 定义三个不同的回归器
reg1 = LinearRegression()
reg2 = DecisionTreeRegressor()
reg3 = KNeighborsRegressor()

# 使用 VotingRegressor 进行集成学习
ereg = VotingRegressor(estimators=[('lr', reg1), ('dt', reg2), ('knn', reg3)])
ereg.fit(X_train, y_train)

# 预测测试集
y_pred = ereg.predict(X_test)

# 计算均方误差
mse = mean_squared_error(y_test, y_pred)
print("集成学习算法的均方误差为：", mse)

使用随机森林算法进行波士顿房价预测：

from sklearn.ensemble import RandomForestRegressor
from sklearn.datasets import load_boston
from sklearn.metrics import mean_squared_error
from sklearn.model_selection import train_test_split

# 加载数据集
boston = load_boston()
X = boston.data
y = boston.target

# 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)

# 定义随机森林回归器
rf = RandomForestRegressor(n_estimators=100, random_state=42)
rf.fit(X_train, y_train)

# 预测测试集
y_pred = rf.predict(X_test)

# 计算均方误差
mse = mean_squared_error(y_test, y_pred)
print("随机森林算法的均方误差为：", mse)

以上是使用集成学习和随机森林算法进行波士顿房价预测的示例代码。需要注意的是，为了简化代码，我在这里省略了一些数据预处理和参数调节的步骤，实际应用中需要根据具体情况进行调整。