Вот несколько популярных методов в области науки о данных и примеры кода:

1. Линейная регрессия.
   Линейная регрессия — это статистический подход к моделированию взаимосвязи между зависимой переменной и одной или несколькими независимыми переменными. Вот пример кода на Python с использованием библиотеки scikit-learn:

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

2. Деревья решений.
   Деревья решений — это универсальные модели, которые можно использовать как для задач классификации, так и для задач регрессии. Они создают структуру, подобную блок-схеме, где каждый внутренний узел представляет решение, основанное на функциях, а каждый листовой узел представляет результат. Вот пример использования библиотеки scikit-learn:

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

3. Случайные леса.
   Случайные леса — это ансамблевый метод обучения, который объединяет несколько деревьев решений для прогнозирования. Каждое дерево обучается на случайном подмножестве данных, а окончательный прогноз основывается на большинстве голосов всех деревьев. Вот пример использования scikit-learn:

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

4. Кластеризация по K-средним.
   Кластеризация по K-средним — это алгоритм обучения без учителя, используемый для разделения данных на кластеры. Его цель – сгруппировать схожие точки данных вместе. Вот пример использования библиотеки scikit-learn:

from sklearn.cluster import KMeans
# Create a K-means clustering model
model = KMeans(n_clusters=3)
# Fit the model to the data
model.fit(X)
# Predict cluster labels for new data points
labels = model.predict(X_test)

5. Машины опорных векторов (SVM):
   Машины опорных векторов — это мощные модели обучения с учителем, используемые для задач классификации и регрессии. Они находят оптимальную гиперплоскость, разделяющую данные на разные классы. Вот пример использования scikit-learn:

from sklearn.svm import SVC
# Create an SVM classifier
model = SVC()
# Fit the model to the data
model.fit(X, y)
# Predict using the trained model
y_pred = model.predict(X_test)