在分析一個資料集合時，有三個需要解決的任務：

1. 按照一個或一些選出的模型對資料進行擬合；
2. 從一些已經擬合的型別中選取最合適的模型；
3. 根據收集的資料做出預測。

7.6.1 模型擬合

基於前面章節介紹的Sklearn庫提供的各種模型，對預處理後的資料集進行擬合，其主要用到各種模型類的fit方法。示例程式碼如下：

1. 有監督學習

線性迴歸，示例程式碼：

lr.fit(X, y)

支援向量機，示例程式碼：

svc.fit(X_train, y_train)

　　K鄰近，示例程式碼：
```python
knn.fit(X_train, y_train)

2. 無監督學習

主成分分析PCA，示例程式碼：

pca_model = pca.fit_transform(X_train)

聚類分析(K-means)，示例程式碼：

k_means.fit(X_train)

7.6.2 模型預測

sklearn庫對各種模型類提供了predict方法，基於以上模擬後的模型對測試集資料進行預測，示例程式碼：

1. 有監督預測

y_pred = lr.predict(X_test)        # 線性迴歸
y_pred = svc.predict(np.random.random((2,5)))      # 支援向量機
y_pred = knn.predict_proba(X_test)      # k近鄰

2. 無監督預測

y_pred = k_means.predict(X_test)      # 聚類分析