Python 预测X_测试集前两个样本的房价并打印它们。（提示：使用Predict（）函数）

作为学习的一部分，下面是我的要求和代码，但我无法继续下一步。有人能帮忙找出这段代码中的问题吗

#导入两个模块sklearn.dataset和#sklearn.model_selection。 #导入numpy并将随机种子设置为100

#从sklearn.datasets模块#加载流行的Boston数据集，并将其分配给变量Boston

#将boston.data拆分为两组名称X_train和X_test#此外，将boston.target分为两组Y_train和Y_test

#提示：使用#sklearn.model_选择中的train_test_分割方法；将随机_状态设置为30。 #打印X_列车数据集的形状

#打印X_测试数据集的形状

import sklearn.datasets as datasets
from sklearn.model_selection import train_test_split
from sklearn.tree import DecisionTreeRegressor
import numpy as np
np.random.seed(100)

boston = datasets.load_boston()

X_train, X_test, Y_train, Y_test = train_test_split(boston.data, boston.target, random_state=30)

print(X_train.shape)
print(X_test.shape)

#从sklearn.tree导入所需模块

#根据X#U列车集和#Y#U列车标签，使用默认参数建立决策树回归模型。将模型命名为#dt_reg

#在训练数据集上评估模型的准确性，并打印其分数

#在测试数据集上评估模型的准确性并打印其分数

#预测X#U测试集前两个样本的房价并打印出来。（提示：使用Predict（）函数）

---

您的代码运行良好，如果需要其他帮助，请告诉我

---

嘿，欢迎来到Stack Overflow！我运行你的代码没有任何问题。我觉得你的代码很好。请在此澄清您的问题和问题。也可以随意在这里参观一下。请帮助我完成相同任务的以下步骤：在X_列车数据和Y_列车标签上拟合多重决策树回归器，最大深度参数值从2更改为5。在测试数据集上评估每个模型的准确性。提示：使用for循环以最高精度打印模型的最大深度值。我在下面尝试了，但没有获得如何以最高精度打印最大深度值，最大深度=6，用于范围内的度数（2，最大深度）dt_reg=decisionTreeregressor（最大深度=度数）dt_reg=dt_reg.fit（X_train，Y_train）打印（“值：”、学位、dt_注册分数（X_测试、Y_测试）

dt_reg = DecisionTreeRegressor()
dt_reg = dt_reg.fit(X_train, Y_train)

print('Accuracy of Train Data :', dt_reg.score(X_train,Y_train))
print('Accuracy of Test Data :', dt_reg.score(X_test,Y_test))
predicted = dt_reg.predict(X_test[:2])
print(predicted)