Линейная регрессия.
Линейная регрессия – широко используемый метод прогнозирования непрерывных значений на основе взаимосвязи между независимыми и зависимыми переменными.

Пример кода (Python):

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

Деревья решений.
Деревья решений — это универсальные модели, которые можно использовать как для задач классификации, так и для регрессии. Они создают структуру, похожую на блок-схему, для прогнозирования на основе значений функций.

Пример кода (Python):

from sklearn.tree import DecisionTreeClassifier
# Sample data
X = [[0, 0], [1, 1], [2, 2]]
y = [0, 1, 2]
# Create and fit the model
model = DecisionTreeClassifier()
model.fit(X, y)
# Predict new values
X_new = [[1.5, 1.5]]
y_pred = model.predict(X_new)
print(y_pred)

Кластеризация по K-средним.
Кластеризация по K-средним – это метод обучения без учителя, используемый для группировки похожих точек данных в кластеры на основе сходства их признаков.

Пример кода (Python):

from sklearn.cluster import KMeans
# Sample data
X = [[1], [2], [3], [10], [11], [12]]
# Create and fit the model
model = KMeans(n_clusters=2)
model.fit(X)
# Predict cluster labels for new data points
X_new = [[0.5], [15]]
labels = model.predict(X_new)
print(labels)

Случайные леса.
Случайные леса — это ансамблевый метод обучения, который объединяет несколько деревьев решений для прогнозирования. Они часто используются для задач классификации и регрессии и могут обрабатывать большие наборы данных.

Пример кода (Python):

from sklearn.ensemble import RandomForestClassifier
# Sample data
X = [[0, 0], [1, 1]]
y = [0, 1]
# Create and fit the model
model = RandomForestClassifier()
model.fit(X, y)
# Predict new values
X_new = [[0.8, 0.8]]
y_pred = model.predict(X_new)
print(y_pred)

Машины опорных векторов (SVM).
SVM – это мощный метод, используемый для задач классификации и регрессии. Он находит оптимальную гиперплоскость, которая разделяет точки данных разных классов или прогнозирует непрерывные значения.

Пример кода (Python):

from sklearn.svm import SVC
# Sample data
X = [[0, 0], [1, 1]]
y = [0, 1]
# Create and fit the model
model = SVC()
model.fit(X, y)
# Predict new values
X_new = [[0.5, 0.5]]
y_pred = model.predict(X_new)
print(y_pred)