请写出六种机器学习得代码

在机器学习领域，有多种算法可以用于分类、回归、聚类等任务。以下是六种常见的机器学习算法的Python代码示例，使用Scikit-Learn库实现：

1. 逻辑回归（Logistic Regression）

逻辑回归是一种用于二分类问题的算法，它预测一个事件发生的概率。

from sklearn.datasets import load_iris
from sklearn.linear_model import LogisticRegression
from sklearn.model_selection import train_test_split

# 加载数据集
iris = load_iris()
X, y = iris.data, iris.target

# 划分训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

# 创建逻辑回归模型
logreg = LogisticRegression()

# 训练模型
logreg.fit(X_train, y_train)

# 预测测试集
predictions = logreg.predict(X_test)

2. 决策树（Decision Tree）

决策树是一种监督学习算法，可以用于分类和回归任务。

from sklearn.tree import DecisionTreeClassifier

# 创建决策树分类器
tree = DecisionTreeClassifier()

# 训练模型
tree.fit(X_train, y_train)

# 预测测试集
tree_predictions = tree.predict(X_test)

3. 支持向量机（Support Vector Machine, SVM）

SVM是一种强大的分类算法，它通过找到数据点之间的最优边界来区分不同的类别。

from sklearn.svm import SVC

# 创建SVM分类器
svm = SVC(probability=True)

# 训练模型
svm.fit(X_train, y_train)

# 预测测试集
svm_predictions = svm.predict(X_test)

4. 朴素贝叶斯（Naive Bayes）

朴素贝叶斯是一种基于贝叶斯定理的分类算法，适用于大量特征的数据集。

from sklearn.naive_bayes import GaussianNB

# 创建朴素贝叶斯分类器
nb = GaussianNB()

# 训练模型
nb.fit(X_train, y_train)

# 预测测试集
nb_predictions = nb.predict(X_test)

5. K近邻（K-Nearest Neighbors, KNN）

KNN是一种简单的算法，通过查找测试数据点的K个最近邻居来进行分类。

from sklearn.neighbors import KNeighborsClassifier

# 创建KNN分类器
knn = KNeighborsClassifier(n_neighbors=5)

# 训练模型
knn.fit(X_train, y_train)

# 预测测试集
knn_predictions = knn.predict(X_test)

6. 随机森林（Random Forest）

随机森林是一种集成学习方法，它构建多个决策树并将它们的预测结果结合起来。

from sklearn.ensemble import RandomForestClassifier

# 创建随机森林分类器
rf = RandomForestClassifier(n_estimators=100)

# 训练模型
rf.fit(X_train, y_train)

# 预测测试集
rf_predictions = rf.predict(X_test)

请注意，上述代码示例仅提供了基本的模型训练和预测过程。在实际应用中，您可能需要进行数据预处理、特征选择、模型调参等步骤以提高模型性能。4