Линейная регрессия. Это базовая модель машинного обучения, которая прогнозирует непрерывное значение. Вы можете использовать библиотеку sklearn для построения модели линейной регрессии в Python. Вот пример:

import numpy as np
from sklearn.linear_model import LinearRegression

# Training data
X = np.array([[1], [2], [3], [4], [5]])
y = np.array([1, 2, 3, 4, 5])

# Create the model
model = LinearRegression()

# Fit the model to the data
model.fit(X, y)

# Make predictions
predictions = model.predict([[6]])
print(predictions)  # Output: [6.]

Кластеризация K-средних. Это алгоритм обучения без учителя, который используется для группировки данных в кластеры. Вы можете использовать библиотеку sklearn для построения модели K-средних в Python. Вот пример:

import numpy as np
from sklearn.cluster import KMeans

# Training data
X = np.array([[1, 2], [2, 3], [3, 1], [1, 3], [2, 2]])

# Create the model
model = KMeans(n_clusters=2)

# Fit the model to the data
model.fit(X)

# Predict the cluster labels
predictions = model.predict([[0, 0], [4, 4]])
print(predictions)  # Output: [1 0]

Дерево решений. Это контролируемый алгоритм обучения, который используется для классификации данных. Вы можете использовать библиотеку sklearn для построения модели дерева решений в Python. Вот пример:

import numpy as np
from sklearn.tree import DecisionTreeClassifier

# Training data
X = np.array([[1, 2], [2, 3], [3, 1], [1, 3], [2, 2]])
y = np.array([0, 1, 0, 1, 0])

# Create the model
model = DecisionTreeClassifier()

# Fit the model to the data
model.fit(X, y)

# Make predictions
predictions = model.predict([[0, 0], [4, 4]])
print(predictions)  # Output: [0 1]

Я надеюсь, что эти примеры будут полезны! Дайте знать, если у вас появятся вопросы.