Python 线性回归代码示例：预测波士顿房价

以下是一个简单的线性回归代码，使用最小二乘法进行拟合，以预测房价。

import numpy as np
from sklearn.linear_model import LinearRegression
from sklearn.metrics import mean_squared_error, r2_score
from sklearn.model_selection import train_test_split
from sklearn.datasets import load_boston

# 加载数据集
boston = load_boston()

# 取出特征和目标值
X = boston.data
y = boston.target

# 将数据集分为训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=0)

# 创建线性回归模型
model = LinearRegression()

# 训练模型
model.fit(X_train, y_train)

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

# 计算均方误差和R2得分
mse = mean_squared_error(y_test, y_pred)
r2 = r2_score(y_test, y_pred)

# 输出结果
print('均方误差: %.2f' % mse)
print('R2得分: %.2f' % r2)

输出结果为：

均方误差: 33.45
R2得分: 0.59

这里使用了波士顿房价数据集，将其分为训练集和测试集，使用线性回归模型进行拟合，预测测试集数据，并计算均方误差和R2得分。最终得到的R2得分为0.59，说明模型的拟合效果一般。可以尝试使用其他的机器学习算法进行比对。