你能建立两种模型对研究生录取概率进行预测并可视化吗，要输出训练好的模型参数，训练的数据集是Admission_Predic

可以的，我们可以使用线性回归和决策树模型来预测研究生录取概率，并使用可视化工具来展示结果。

首先，我们需要导入必要的库和数据集：

import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
import seaborn as sns
%matplotlib inline

from sklearn.linear_model import LinearRegression
from sklearn.tree import DecisionTreeRegressor
from sklearn.model_selection import train_test_split
from sklearn.metrics import mean_squared_error

# 导入数据集
data = pd.read_csv('Admission_Predict.csv')

接下来，我们可以对数据进行初步的探索和可视化：

# 查看前几行数据
data.head()

# 查看数据集的统计信息
data.describe()

# 查看各变量之间的相关性
sns.pairplot(data)

# 查看各变量之间的相关系数
sns.heatmap(data.corr(), annot=True)

接着，我们可以将数据集分为训练集和测试集，并训练线性回归模型：

# 将数据集分为特征和标签
X = data.drop(['Serial No.', 'Chance of Admit '], axis=1)
y = data['Chance of Admit ']

# 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)

# 训练线性回归模型
lr = LinearRegression()
lr.fit(X_train, y_train)

# 输出模型参数
print('Intercept:', lr.intercept_)
print('Coefficients:', lr.coef_)

然后，我们可以用测试数据集来评估模型的表现：

# 用测试数据集来预测
y_pred = lr.predict(X_test)

# 计算均方根误差
rmse = np.sqrt(mean_squared_error(y_test, y_pred))
print('RMSE:', rmse)

接下来，我们可以训练决策树模型并输出模型参数：

# 训练决策树模型
dt = DecisionTreeRegressor(random_state=42)
dt.fit(X_train, y_train)

# 输出模型参数
print('Feature Importances:', dt.feature_importances_)

最后，我们可以使用可视化工具来展示模型的表现：

# 绘制线性回归模型的预测结果
plt.scatter(y_test, y_pred)
plt.xlabel('True Values')
plt.ylabel('Predictions')
plt.show()

# 绘制决策树模型的预测结果
plt.scatter(y_test, dt.predict(X_test))
plt.xlabel('True Values')
plt.ylabel('Predictions')
plt.show()

这样，我们就完成了对研究生录取概率的预测和可视化。