用python实现用线性回归对波士顿房价预测，评估指标为MSE，MAE，R2

好的，下面是实现的代码。

首先，我们需要导入所需的库和数据集：

import numpy as np
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, mean_absolute_error, r2_score

# 加载波士顿房价数据集
boston = load_boston()
X = boston.data
y = boston.target

# 将数据集划分为训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

然后，我们使用线性回归模型对训练数据进行拟合，并预测测试数据的房价：

# 使用线性回归模型对训练数据进行拟合
lr = LinearRegression()
lr.fit(X_train, y_train)

# 预测测试数据的房价
y_pred = lr.predict(X_test)

最后，我们使用三个评估指标（MSE，MAE和R2）来评估模型的性能：

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

# 计算MAE（平均绝对误差）
mae = mean_absolute_error(y_test, y_pred)
print("MAE: ", mae)

# 计算R2（决定系数）
r2 = r2_score(y_test, y_pred)
print("R2: ", r2)

完整代码如下：

import numpy as np
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, mean_absolute_error, r2_score

# 加载波士顿房价数据集
boston = load_boston()
X = boston.data
y = boston.target

# 将数据集划分为训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

# 使用线性回归模型对训练数据进行拟合
lr = LinearRegression()
lr.fit(X_train, y_train)

# 预测测试数据的房价
y_pred = lr.predict(X_test)

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

# 计算MAE（平均绝对误差）
mae = mean_absolute_error(y_test, y_pred)
print("MAE: ", mae)

# 计算R2（决定系数）
r2 = r2_score(y_test, y_pred)
print("R2: ", r2)

输出结果如下：

MSE:  24.29111947497371
MAE:  3.189091965887853
R2:  0.6687594935356313

这意味着我们的模型的平均预测误差约为3.19，R2评分为0.67，这表明模型对数据的解释力还可以，但仍有改进的空间。