用训练好的线性回归模型对波士顿房价进行预测，pc代码

在Python中，我们可以使用scikit-learn库来训练线性回归模型并预测波士顿房价。首先，你需要安装这个库（如果还没有安装），然后导入所需的模块，并加载数据集。这里是一个简单的例子：

# 导入所需的库
import pandas as pd
from sklearn.datasets import load_boston
from sklearn.model_selection import train_test_split
from sklearn.linear_model import LinearRegression
from sklearn.metrics import mean_squared_error

# 加载波士顿房价数据集
boston = load_boston()
df = pd.DataFrame(boston.data, columns=boston.feature_names)
target = boston.target  # 房价目标变量

# 划分特征（X）和标签（y）
X_train, X_test, y_train, y_test = train_test_split(df, target, test_size=0.2, random_state=42)

# 创建线性回归模型
model = LinearRegression()

# 训练模型
model.fit(X_train, y_train)

# 预测测试集的房价
predictions = model.predict(X_test)

# 计算均方误差作为评估指标
mse = mean_squared_error(y_test, predictions)
print("Mean Squared Error:", mse)

# 对新的房价数据进行预测
# 假设新的数据点为new_data
new_data = ...  # 根据实际情况填充数据
predicted_price = model.predict(new_data.reshape(1, -1))

在这个例子中，我们首先加载了波士顿房价数据集，然后将其分为训练集和测试集。接着，我们创建了一个线性回归模型，使用训练数据对其进行拟合，然后用测试集验证模型性能。最后，你可以使用模型的`predict`方法对新数据进行房价预测。