Вот несколько методов, обычно используемых в науке о данных, а также примеры кода:

1. Линейная регрессия.
   Линейная регрессия — это статистический метод, используемый для моделирования взаимосвязи между зависимой переменной и одной или несколькими независимыми переменными. Его часто используют для прогнозирования числовых значений. Вот пример использования Python и библиотеки scikit-learn:

   from sklearn.linear_model import LinearRegression
   # Sample data
   X = [[1], [2], [3], [4], [5]]
   y = [2, 4, 6, 8, 10]
   # Create and fit the model
   model = LinearRegression()
   model.fit(X, y)
   # Predict values
   X_new = [[6], [7]]
   y_pred = model.predict(X_new)
   print(y_pred)

2. Логистическая регрессия.
   Логистическая регрессия используется для задач двоичной классификации, где целевая переменная имеет два возможных результата. Он моделирует вероятность принадлежности цели к определенному классу. Вот пример использования Python и scikit-learn:

   from sklearn.linear_model import LogisticRegression
   # Sample data
   X = [[1], [2], [3], [4], [5]]
   y = [0, 0, 1, 1, 1]
   # Create and fit the model
   model = LogisticRegression()
   model.fit(X, y)
   # Predict probabilities
   X_new = [[6], [7]]
   y_proba = model.predict_proba(X_new)
   print(y_proba)

3. Деревья решений.
   Деревья решений — это универсальные модели машинного обучения, которые можно использовать как для задач классификации, так и для регрессии. На основе данных они изучают простые правила принятия решений. Вот пример использования Python и scikit-learn:

   from sklearn.tree import DecisionTreeClassifier
   # Sample data
   X = [[1], [2], [3], [4], [5]]
   y = [0, 0, 1, 1, 1]
   # Create and fit the model
   model = DecisionTreeClassifier()
   model.fit(X, y)
   # Predict classes
   X_new = [[6], [7]]
   y_pred = model.predict(X_new)
   print(y_pred)

4. Случайный лес.
   Случайный лес — это метод ансамблевого обучения, который объединяет несколько деревьев решений для составления прогнозов. Он известен своей высокой точностью и надежностью. Вот пример использования Python и scikit-learn:

   from sklearn.ensemble import RandomForestClassifier
   # Sample data
   X = [[1], [2], [3], [4], [5]]
   y = [0, 0, 1, 1, 1]
   # Create and fit the model
   model = RandomForestClassifier()
   model.fit(X, y)
   # Predict classes
   X_new = [[6], [7]]
   y_pred = model.predict(X_new)
   print(y_pred)

5. Кластеризация K-средних.
   K-средние — это алгоритм обучения без учителя, используемый для кластеризации данных в группы. Он направлен на разделение данных на K кластеров, где каждая точка данных принадлежит кластеру с ближайшим средним значением. Вот пример использования Python и scikit-learn:

   from sklearn.cluster import KMeans
   # Sample data
   X = [[1], [2], [8], [9]]
   # Create and fit the model
   model = KMeans(n_clusters=2)
   model.fit(X)
   # Predict clusters
   X_new = [[3], [10]]
   y_pred = model.predict(X_new)
   print(y_pred)