在分析一个数据集合时，有三个需要解决的任务：

1. 按照一个或一些选出的模型对数据进行拟合；
2. 从一些已经拟合的类型中选取最合适的模型；
3. 根据收集的数据做出预测。

7.6.1 模型拟合

基于前面章节介绍的Sklearn库提供的各种模型，对预处理后的数据集进行拟合，其主要用到各种模型类的fit方法。示例代码如下：

1. 有监督学习

线性回归，示例代码：

lr.fit(X, y)

支持向量机，示例代码：

svc.fit(X_train, y_train)

　　K邻近，示例代码：
```python
knn.fit(X_train, y_train)

2. 无监督学习

主成分分析PCA，示例代码：

pca_model = pca.fit_transform(X_train)

聚类分析(K-means)，示例代码：

k_means.fit(X_train)

7.6.2 模型预测

sklearn库对各种模型类提供了predict方法，基于以上模拟后的模型对测试集数据进行预测，示例代码：

1. 有监督预测

y_pred = lr.predict(X_test)        # 线性回归
y_pred = svc.predict(np.random.random((2,5)))      # 支持向量机
y_pred = knn.predict_proba(X_test)      # k近邻

2. 无监督预测

y_pred = k_means.predict(X_test)      # 聚类分析