我用夸克网盘分享了「boston.csv」，链接：https://pan.quark.cn/s/f2d9f5a2a5ff

其中数据从左至右1~14依次表示为：CRIM、ZN、INDUS、CHAS、NOX、RM、AGE、DIS、RAD、TAX、PTRATIO、B、LSTAT和MEDV，共计14项，每个因素的具体含义为：

CRIM: 城镇人均犯罪率
ZN: 住宅用地所占比例
INDUS: 城镇中非住宅用地所占比例
CHAS: CHAS 虚拟变量,用于回归分析
NOX: 环保指数
RM: 每栋住宅的房间数
AGE: 1940 年以前建成的自住单位的比例
DIS: 距离 5 个波士顿的就业中心的加权距离。
RAD: 距离高速公路的便利指数
TAX: 每一万美元的不动产税率
PRTATIO: 城镇中的教师学生比例
B: 城镇中的黑人比例
LSTAT: 地区中有多少房东属于低收入人群
MEDV: 自住房屋房价中位数（也就是均价）

波士顿房价数据集是机器学习领域用于房价预测分析的经典数据集，为研究、教学等提供了有价值的资源。以下从多个方面对其进行介绍：

1. 数据集概况：该数据集收集于20世纪70年代中期，源自美国人口普查局关于马萨诸塞州波士顿住房的信息，反映了当时波士顿郊区房屋价格的影响因素。它包含506个数据点，通常分为404个训练样本和102个测试样本 。
2. 数据特征
   • 特征数量及类型：有13个特征和1个目标变量（房屋中位数价格MEDV）。特征多样，涵盖数值、比例等不同类型。
   • 部分关键特征说明
     • CRIM：城镇人均犯罪率，体现地区安全性，犯罪率高可能拉低房价。
     • ZN：住宅用地中规划为超过25,000平方英尺地块的比例，比例高意味着大面积住宅用地多，可能提升房价。
     • INDUS：每个城镇非零售业务用地的比例，反映地区商业活跃度，比例过高可能因噪音等影响房价。
     • RM：住宅平均房间数，房间数多通常能满足更多居住需求，与房价正相关。
     • LSTAT：人口中低地位人群的百分比，该值高可能反映地区经济水平较低，房价也会受到影响。
3. 数据特点
   • 真实性：源于真实的波士顿房地产市场，反映实际经济和社会现象，能为研究提供可靠依据。
   • 多样性：特征涵盖地理、经济、社会等多个方面，为数据分析提供丰富维度。
   • 规模适中：数据量便于快速迭代和测试模型，又具备一定复杂性，可展示真实问题。
   • 可用性：适用于多种机器学习框架和工具，如scikit-learn、TensorFlow和PyTorch等，方便研究和应用。
4. 数据预处理与分析
   • 预处理：数据预处理和特征工程是关键步骤，如特征标准化或归一化，可减少某些特征对模型结果的影响，提升模型性能。
   • 分析方法：常用回归模型处理该数据集，如线性回归、决策树回归和随机森林回归等。评估指标有均方误差（MSE）、均方根误差（RMSE）和决定系数（R²）等，用于衡量模型预测的准确性和拟合优度。
5. 应用场景
   • 学术研究：研究人员利用其进行回归分析研究，探索不同模型对房价预测的影响，推动学术发展。
   • 教育训练：是教学机器学习算法的经典案例，帮助学生理解数据处理、模型训练和评估过程。
   • 商业决策：房地产分析师和投资者借助它分析影响房价的关键因素，为投资决策提供数据支持 。