1. 读入数据sklearn中的波士顿房价的数据集。 from sklearn.datasets import load_boston 2. 对该数据集进行可视化 3. 使用GBDT对模型进行预测，要求使用交叉验证训练，给出MSE误差曲线。

好的，我来为您解答这个问题。

首先，我们需要导入相关的库和数据集：

from sklearn.datasets import load_boston
from sklearn.model_selection import train_test_split
from sklearn.ensemble import GradientBoostingRegressor
from sklearn.metrics import mean_squared_error
import matplotlib.pyplot as plt

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

接着，我们可以对数据集进行可视化，以了解数据的分布情况：

# 可视化数据集
fig, axes = plt.subplots(nrows=4, ncols=4, sharey=True, figsize=(15, 12))
for i in range(4):
    for j in range(4):
        col = i * 4 + j
        if col < X.shape[1]:
            axes[i, j].scatter(X[:, col], y, s=5)
            axes[i, j].set_xlabel(boston.feature_names[col])
axes[0, 0].set_ylabel('Price')
plt.show()

接下来，我们使用GBDT对数据集进行建模，并进行交叉验证：

# 使用GBDT进行建模
gbdt = GradientBoostingRegressor(n_estimators=100, learning_rate=0.1, random_state=42)

# 进行交叉验证，并计算MSE误差
train_error, test_error = [], []
for i in range(1, 100, 5):
    gbdt.n_estimators = i
    gbdt.fit(X_train, y_train)
    train_error.append(mean_squared_error(y_train, gbdt.predict(X_train)))
    test_error.append(mean_squared_error(y_test, gbdt.predict(X_test)))

# 可视化MSE误差曲线
plt.plot(range(1, 100, 5), train_error, 'o-', color='r', label='Training Error')
plt.plot(range(1, 100, 5), test_error, 'o-', color='g', label='Testing Error')
plt.legend(loc='best')
plt.xlabel('Number of Estimators')
plt.ylabel('MSE')
plt.show()

最后，我们可以得到GBDT模型的MSE误差曲线，以及模型的预测结果。