波士顿房价预测：使用支持向量机回归 (SVR) 和多项式核函数

要使用支持向量机回归 (SVR) 预测波士顿地区房价，首先需要加载波士顿房价数据集，并将其划分为训练集和测试集。然后，创建 SVR 模型，使用多项式核函数进行训练，并进行预测。最后，计算预测结果的均方误差和平均绝对误差，并绘制实际值和预测值的图表。

以下是完整的代码：

from sklearn.datasets import load_boston
from sklearn.model_selection import train_test_split
from sklearn.svm import SVR
from sklearn.metrics import mean_squared_error, mean_absolute_error
import numpy as np
import matplotlib.pyplot as plt

# 加载波士顿房价数据集
boston = load_boston()

# 划分数据集为训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(boston.data, boston.target, test_size=0.2, random_state=42)

# 创建 SVR 模型并进行训练
model = SVR(kernel='poly')
model.fit(X_train, y_train)

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

# 计算均方误差和平均绝对误差
mse = mean_squared_error(y_test, y_pred)
mae = mean_absolute_error(y_test, y_pred)

print('均方误差：', mse)
print('平均绝对误差：', mae)

# 绘制实际值和预测值的图表
plt.scatter(range(len(y_test)), y_test, color='b', label='Actual')
plt.scatter(range(len(y_pred)), y_pred, color='r', label='Predict')
plt.xlabel('Samples')
plt.ylabel('Price')
plt.legend()
plt.show()

在上述代码中，我们使用 load_boston 函数加载波士顿房价数据集，并将其划分为训练集和测试集。然后，我们创建了一个 SVR 模型，并指定核函数为多项式核函数。接着，我们对模型进行训练，并在测试集上进行预测。最后，我们使用 mean_squared_error 函数和 mean_absolute_error 函数计算预测结果的均方误差和平均绝对误差，并绘制实际值和预测值的图表。

运行上述代码，将输出预测结果的均方误差和平均绝对误差，并显示实际值和预测值的图表。