以波士顿房价预测为案例，学习如何运用BP神经网络方法解决实际问题。波士顿房价数据集是统计的20世纪70年代中期波士顿郊区房价的中位数。每个类的观察值数量是均等的，共有 506 个观察，13 个输入变量和1个输出变量。每条数据包含房屋以及房屋周围的详细信息。其中包含城镇犯罪率，一氧化氮浓度，住宅平均房间数，到中心区域的加权距离以及自住房平均房价等。 波士顿房价预测是一个回归问题的典型案例。在数据集中包含506组数据，其中404是训练样本，剩下的102组数据作为验证样本。要求（1）针对波士顿房价预测数据集，利用MATLAB, 基于BP神经网络方法，给出房价预测模型，拟合房屋特征与房价之间的关系。 （2）给出训练误差的变化曲线。 （3）给出实际值和预测值之间误差的比较结果。

好的，我明白了你的问题。以下是回答：

1. 针对波士顿房价预测数据集，我们可以使用MATLAB中的neural network toolbox工具箱来基于BP神经网络方法建立房价预测模型。具体步骤如下：
- 导入数据集，将数据集分为训练集和验证集
- 设计神经网络结构，选择合适的激活函数、学习率、最大训练次数等参数
- 训练神经网络模型
- 使用验证集对模型进行验证和调整
- 对测试集进行预测，评估模型的性能

2. 绘制训练误差变化曲线可以帮助我们了解神经网络的训练情况，判断模型是否过拟合或欠拟合。我们可以在MATLAB中使用plot函数绘制误差曲线。

3. 给出实际值和预测值之间的误差比较结果可以帮助我们评估模型的性能。我们可以使用MATLAB中的mse函数计算均方误差，也可以绘制实际值和预测值之间的散点图来直观地观察误差情况。