选取书中的某个具体数据集，如: 波士顿房价数据、进口汽车数据、慢性肾病数据、手写数字笔迹数据、蘑菇可食性数据等，学习相应的Python代码，完成数据集机器学习回归或机器学习分类的全部计算。

好的，我们以波士顿房价数据集为例，使用Python进行机器学习回归的计算。

首先，我们需要导入相应的库和数据集。在Python中，我们可以使用sklearn库中的load_boston函数来读取波士顿房价数据集。代码如下：

from sklearn.datasets import load_boston

boston = load_boston()
X = boston.data
y = boston.target

接下来，我们将数据集划分为训练集和测试集，以便进行模型的训练和评估。我们可以使用sklearn库中的train_test_split函数来实现。代码如下：

from sklearn.model_selection import train_test_split

X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=0)

然后，我们选择一个合适的模型进行训练。在回归问题中，我们可以使用线性回归模型。我们可以使用sklearn库中的LinearRegression函数来实现。代码如下：

from sklearn.linear_model import LinearRegression

lr = LinearRegression()
lr.fit(X_train, y_train)

训练完成后，我们可以使用测试集对模型进行评估。通常使用均方误差（Mean Squared Error，MSE）和决定系数（R-squared）来评估模型的性能。代码如下：

from sklearn.metrics import mean_squared_error, r2_score

y_pred = lr.predict(X_test)
mse = mean_squared_error(y_test, y_pred)
r2 = r2_score(y_test, y_pred)

print("Mean Squared Error: ", mse)
print("R-squared: ", r2)

最后，我们可以使用模型对新样本进行预测。代码如下：

new_data = [[0.00632, 18.0, 2.31, 0, 0.538, 6.575, 65.2, 4.0900, 1, 296.0, 15.3, 396.90, 4.98]]
prediction = lr.predict(new_data)

print("Predicted price: ", prediction)

这样，我们就完成了使用Python进行波士顿房价数据集的机器学习回归计算。