用线性回归模型预测波士顿房价

可以使用线性回归模型来预测波士顿房价。波士顿房价数据集是一个经典的机器学习数据集，其中包含了影响波士顿地区房价的13个特征，如犯罪率、房间数量、学生与教师比例等。我们可以使用这些特征来训练一个线性回归模型，然后利用该模型来预测其他房屋的价格。

以下是使用Python中的scikit-learn库来实现线性回归模型的示例代码：

import numpy as np
from sklearn.datasets import load_boston
from sklearn.model_selection import train_test_split
from sklearn.linear_model import LinearRegression
from sklearn.metrics import mean_squared_error

# 加载波士顿房价数据集
boston = load_boston()
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)

# 创建并训练线性回归模型
model = LinearRegression()
model.fit(X_train, y_train)

# 在测试集上进行预测
y_pred = model.predict(X_test)

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

在上述代码中，我们首先加载了波士顿房价数据集，并将数据集划分为训练集和测试集。然后，我们创建了一个线性回归模型并在训练集上进行训练。最后，我们使用训练好的模型在测试集上进行预测，并计算预测结果与真实结果之间的均方误差。

这样，我们就可以使用线性回归模型来预测波士顿房价了。当然，这只是一个简单的示例代码，你可以根据实际需求进行更多的特征工程和模型优化。