Вот некоторые методы, обычно используемые в науке о данных, а также примеры кода:

1. Линейная регрессия.
   Линейная регрессия используется для моделирования взаимосвязи между зависимой переменной и одной или несколькими независимыми переменными. Вот пример использования библиотеки Python scikit-learn:

   from sklearn.linear_model import LinearRegression
   # Create a linear regression object
   model = LinearRegression()
   # Fit the model to the data
   model.fit(X, y)
   # Predict using the trained model
   y_pred = model.predict(X_test)

2. Логистическая регрессия.
   Логистическая регрессия используется для решения задач двоичной классификации. Он моделирует взаимосвязь между зависимой двоичной переменной и независимыми переменными. Вот пример использования scikit-learn:

   from sklearn.linear_model import LogisticRegression
   # Create a logistic regression object
   model = LogisticRegression()
   # Fit the model to the data
   model.fit(X, y)
   # Predict using the trained model
   y_pred = model.predict(X_test)

3. Деревья решений.
   Деревья решений универсальны и могут использоваться как для задач классификации, так и для регрессии. Они создают структуру, похожую на блок-схему, для принятия решений на основе значений функций. Вот пример использования scikit-learn:

   from sklearn.tree import DecisionTreeClassifier
   # Create a decision tree classifier object
   model = DecisionTreeClassifier()
   # Fit the model to the data
   model.fit(X, y)
   # Predict using the trained model
   y_pred = model.predict(X_test)

4. Случайные леса.
   Случайные леса — это ансамблевый метод, который объединяет несколько деревьев решений для прогнозирования. Они улучшают производительность и уменьшают переобучение. Вот пример использования scikit-learn:

   from sklearn.ensemble import RandomForestClassifier
   # Create a random forest classifier object
   model = RandomForestClassifier()
   # Fit the model to the data
   model.fit(X, y)
   # Predict using the trained model
   y_pred = model.predict(X_test)

5. Кластеризация по K-средним.
   Кластеризация по K-средним — это метод обучения без учителя, используемый для группировки схожих точек данных. Вот пример использования scikit-learn:

   from sklearn.cluster import KMeans
   # Create a K-means clustering object
   model = KMeans(n_clusters=3)
   # Fit the model to the data
   model.fit(X)
   # Predict using the trained model
   y_pred = model.predict(X_test)