src.model：Python中的模型训练和预测方法

在Python中进行模型训练和预测是机器学习和深度学习任务中的关键步骤。本文将介绍一些常用的模型训练和预测方法，并提供相应的使用例子。

1. 线性回归模型

线性回归是一种常用的预测连续目标变量的模型。在Python中，可以使用sklearn库来进行线性回归模型的训练和预测。以下是一个使用线性回归模型进行房价预测的例子：

from sklearn.linear_model import LinearRegression

# 创建线性回归模型
model = LinearRegression()

# 训练模型
model.fit(X_train, y_train)

# 进行预测
y_pred = model.predict(X_test)

2. 决策树模型

决策树是一种常用的分类和回归模型。在Python中，可以使用sklearn库来进行决策树模型的训练和预测。以下是一个使用决策树模型进行鸢尾花分类的例子：

from sklearn.tree import DecisionTreeClassifier

# 创建决策树模型
model = DecisionTreeClassifier()

# 训练模型
model.fit(X_train, y_train)

# 进行预测
y_pred = model.predict(X_test)

3. 随机森林模型

随机森林是一种基于决策树的集成学习方法。在Python中，可以使用sklearn库来进行随机森林模型的训练和预测。以下是一个使用随机森林模型进行鸢尾花分类的例子：

from sklearn.ensemble import RandomForestClassifier

# 创建随机森林模型
model = RandomForestClassifier()

# 训练模型
model.fit(X_train, y_train)

# 进行预测
y_pred = model.predict(X_test)

4. 支持向量机模型

支持向量机是一种常用的分类和回归模型。在Python中，可以使用sklearn库来进行支持向量机模型的训练和预测。以下是一个使用支持向量机模型进行鸢尾花分类的例子：

from sklearn.svm import SVC

# 创建支持向量机模型
model = SVC()

# 训练模型
model.fit(X_train, y_train)

# 进行预测
y_pred = model.predict(X_test)

5. 深度学习模型

深度学习是一种强大的神经网络模型，可以应用于各种复杂的任务。在Python中，可以使用Keras或PyTorch等框架来进行深度学习模型的训练和预测。以下是一个使用Keras框架进行手写数字识别的例子：

from keras.models import Sequential
from keras.layers import Dense

# 创建深度学习模型
model = Sequential()
model.add(Dense(64, activation='relu', input_dim=784))
model.add(Dense(10, activation='softmax'))

# 编译模型
model.compile(optimizer='adam',
              loss='categorical_crossentropy',
              metrics=['accuracy'])

# 训练模型
model.fit(X_train, y_train, epochs=10, batch_size=128)

# 进行预测
y_pred = model.predict(X_test)

总结：以上是Python中模型训练和预测的一些常用方法和使用例子，涵盖了线性回归、决策树、随机森林、支持向量机和深度学习等模型。根据具体任务的需求，选择相应的模型和方法进行训练和预测，可以帮助解决各种机器学习和深度学习问题。