Python代码使用梯度提升树GBDT实现Boston房价预测

以下是使用梯度提升树（GBDT）实现Boston房价预测的Python代码示例：

# 导入所需库
from sklearn import datasets
from sklearn.model_selection import train_test_split
from sklearn.ensemble import GradientBoostingRegressor
from sklearn.metrics import mean_squared_error

# 导入数据集
boston = datasets.load_boston()

# 定义特征和标签
X = boston.data
y = boston.target

# 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)

# 定义模型
model = GradientBoostingRegressor(loss='ls', learning_rate=0.1, n_estimators=100, max_depth=3, random_state=42)

# 拟合模型
model.fit(X_train, y_train)

# 预测测试集
y_pred = model.predict(X_test)

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

上述代码中，我们首先导入了所需的库，然后加载了波士顿房价数据集。接着我们将数据集中的特征和标签分别赋值给变量X和y，并使用train_test_split函数将数据集划分为训练集和测试集。然后我们定义了一个梯度提升树回归器，并使用fit方法拟合了训练集的数据。最后，我们使用predict方法预测了测试集的数据，并计算了均方误差（MSE），以评估模型的性能。