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

1. Линейная регрессия.
   Линейная регрессия – это простой, но мощный метод, используемый для прогнозирования непрерывной целевой переменной на основе одного или нескольких входных признаков. 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 training data
   model.fit(X_train, y_train)
   # Predict the target variable
   y_pred = model.predict(X_test)

2. Деревья решений.
   Деревья решений — это универсальные алгоритмы, используемые как для задач регрессии, так и для задач классификации. Они создают блок-схему модели решений и их возможных последствий. Вот пример использования библиотеки scikit-learn:

   from sklearn.tree import DecisionTreeRegressor
   # Create a decision tree object
   model = DecisionTreeRegressor()
   # Fit the model to the training data
   model.fit(X_train, y_train)
   # Predict the target variable
   y_pred = model.predict(X_test)

3. Случайные леса.
   Случайные леса — это метод ансамблевого обучения, который объединяет несколько деревьев решений для получения более точных прогнозов. Вот пример использования библиотеки scikit-learn:

   from sklearn.ensemble import RandomForestRegressor
   # Create a random forest object
   model = RandomForestRegressor()
   # Fit the model to the training data
   model.fit(X_train, y_train)
   # Predict the target variable
   y_pred = model.predict(X_test)

4. Машины опорных векторов (SVM):
   SVM — это контролируемый алгоритм обучения, используемый для задач классификации и регрессии. Он находит оптимальную гиперплоскость, разделяющую точки данных разных классов. Вот пример использования библиотеки scikit-learn:

   from sklearn.svm import SVR
   # Create an SVM object
   model = SVR()
   # Fit the model to the training data
   model.fit(X_train, y_train)
   # Predict the target variable
   y_pred = model.predict(X_test)

5. Кластеризация K-средних.
   Кластеризация K-средних — это алгоритм обучения без учителя, используемый для группировки похожих точек данных в кластеры. Вот пример использования библиотеки 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 the cluster labels for new data
   y_pred = model.predict(new_data)