1、根据skeam的数据集库datasets提供的波士顿房价数据集，选择合适的算法进行回归分析。其中，将整个数据集随机划分训练集(70%) 和测试集(30%). 使用交叉验证评估模型的泛化能力，并预测X= [0.14455 12.50,7870,0,05240,6.1720,96 10,5 9505,5,3110,15 20,396 90,19.15]的值

对于波士顿房价数据集，可以选择多种算法进行回归分析，例如线性回归、岭回归、Lasso回归、决策树回归、随机森林回归等等。下面以随机森林回归为例进行分析。

首先，读取数据集并进行数据预处理，将数据集分为训练集和测试集：

import pandas as pd
from sklearn.model_selection import train_test_split

data = pd.read_csv('boston_housing.csv')
X = data.iloc[:, :-1].values
y = data.iloc[:, -1].values
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=42)

然后，使用随机森林回归模型进行训练和预测：

from sklearn.ensemble import RandomForestRegressor

rf_reg = RandomForestRegressor(n_estimators=100, random_state=42)
rf_reg.fit(X_train, y_train)
y_pred = rf_reg.predict(X_test)

接着，使用交叉验证对模型进行评估：

from sklearn.model_selection import cross_val_score

scores = cross_val_score(rf_reg, X_train, y_train, cv=5)
print('Cross-validation scores: {}'.format(scores))
print('Average score: {}'.format(scores.mean()))

最后，使用模型对新数据进行预测：

import numpy as np

new_data = np.array([0.14455, 12.50, 7.870, 0, 0.5240, 6.1720, 96.10, 5.9505, 311.0, 15.20, 396.90, 19.15]).reshape(1, -1)
new_pred = rf_reg.predict(new_data)
print('Predicted value for X: {}'.format(new_pred[0]))

这里使用随机森林回归模型对波士顿房价数据集进行分析，并使用交叉验证评估模型的泛化能力。最后，对新数据X进行预测，得到其预测值。