用r语言代码解决以下问题请分析MASS包里面的Boston数据集，想要研究该地区的房价价格中位数（medv）与其他影响因素的关系。 利用最优子集法、向前逐步选择法和向后逐步选择法找出一些房屋价格medv的因素，比较一下这些方法找出的影响因素。（选择标准基于调整的R2,Cp和BIC准则，分别在这三个标准下分析）

首先，我们需要加载MASS包里的Boston数据集：

library(MASS)
data(Boston)

然后，我们可以使用最优子集法来找出最佳的模型，其中选择标准是基于调整的R2、Cp和BIC准则。以下是代码：

# 最优子集法
library(leaps)
regfit.full <- regsubsets(medv ~ ., data = Boston)
summary(regfit.full)

# 选择调整的 R2 最大的模型
which.max(summary(regfit.full)$adjr2)
regfit.full$which[3]

# 选择 Cp 最小的模型
which.min(summary(regfit.full)$cp)
regfit.full$which[9]

# 选择 BIC 最小的模型
which.min(summary(regfit.full)$bic)
regfit.full$which[5]

接下来，我们可以使用向前逐步选择法来找出最佳的模型，其中选择标准是基于调整的R2、Cp和BIC准则。以下是代码：

# 向前逐步选择法
regfit.fwd <- regsubsets(medv ~ ., data = Boston, nvmax = dim(Boston)[2], method = "forward")
summary(regfit.fwd)

# 选择调整的 R2 最大的模型
which.max(summary(regfit.fwd)$adjr2)
regfit.fwd$which[5]

# 选择 Cp 最小的模型
which.min(summary(regfit.fwd)$cp)
regfit.fwd$which[10]

# 选择 BIC 最小的模型
which.min(summary(regfit.fwd)$bic)
regfit.fwd$which[7]

最后，我们可以使用向后逐步选择法来找出最佳的模型，其中选择标准是基于调整的R2、Cp和BIC准则。以下是代码：

# 向后逐步选择法
regfit.bwd <- regsubsets(medv ~ ., data = Boston, nvmax = dim(Boston)[2], method = "backward")
summary(regfit.bwd)

# 选择调整的 R2 最大的模型
which.max(summary(regfit.bwd)$adjr2)
regfit.bwd$which[8]

# 选择 Cp 最小的模型
which.min(summary(regfit.bwd)$cp)
regfit.bwd$which[13]

# 选择 BIC 最小的模型
which.min(summary(regfit.bwd)$bic)
regfit.bwd$which[7]

通过比较这三种方法找出的影响因素，我们可以发现，它们在选择的变量上略微有所不同，但大小和方向上大致相同。因此，我们可以选择其中之一作为我们的最终模型。