线性回归房价预测系统

线性回归是一种用于预测连续数值的机器学习算法，可以用于房价预测系统。下面是一个使用波士顿房价数据集进行线性回归的示例：

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

# 读取数据集
data = pd.read_csv('boston.csv')

# 提取特征和目标变量
X = data.drop('MEDV', axis=1)
y = data['MEDV']

# 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)

# 创建线性回归模型
model = LinearRegression()

# 在训练集上训练模型
model.fit(X_train, y_train)

# 在测试集上进行预测
y_pred = model.predict(X_test)

# 计算均方误差
mse = mean_squared_error(y_test, y_pred)
print("均方误差：", mse)

这个示例中，我们首先导入所需的库，然后读取波士顿房价数据集。接下来，我们将数据集分为特征（X）和目标变量（y）。然后，我们使用`train_test_split`函数将数据集划分为训练集和测试集。然后，我们创建一个线性回归模型，并在训练集上训练模型。最后，我们使用训练好的模型对测试集进行预测，并计算预测结果与真实值之间的均方误差。