1.獲得樣例資料

scikit-learn庫有一些標準的資料集，例如分類的數字集，波士頓房價迴歸資料集。

在下面，我們啟動Python直譯器，然後載入資料集。我們可以認為，美元符號後輸入python然後會啟動以> > >開頭的 Python直譯器，提示我們輸入python表達語句：

$ python
>>> from sklearn import datasets
>>> iris = datasets.load_iris()
>>> digits = datasets.load_digits()

>>> print(digits.data)  
[[  0.   0.   5. ...,   0.   0.   0.]
 [  0.   0.   0. ...,  10.   0.   0.]
 [  0.   0.   0. ...,  16.   9.   0.]
 ...,
 [  0.   0.   1. ...,   6.   0.   0.]
 [  0.   0.   2. ...,  12.   0.   0.]
 [  0.   0.  10. ...,  12.   1.   0.]]
 

>>> digits.target
array([0, 1, 2, ..., 8, 9, 8])

資料集通常是一個二維陣列，格式是（n_samples，n_features），儘管原始的資料可能有不一致的維度。在數字化表示下，每個原始為形狀（8，8）的影象樣本可以表示為：

>>> digits.images[0]
array([[  0.,   0.,   5.,  13.,   9.,   1.,   0.,   0.],
       [  0.,   0.,  13.,  15.,  10.,  15.,   5.,   0.],
       [  0.,   3.,  15.,   2.,   0.,  11.,   8.,   0.],
       [  0.,   4.,  12.,   0.,   0.,   8.,   8.,   0.],
       [  0.,   5.,   8.,   0.,   0.,   9.,   8.,   0.],
       [  0.,   4.,  11.,   0.,   1.,  12.,   7.,   0.],
       [  0.,   2.,  14.,   5.,  10.,  12.,   0.,   0.],
       [  0.,   0.,   6.,  13.,  10.,   0.,   0.,   0.]])
 

在給定資料集的情況下，我們的任務是預測，對於給定影象，其所屬的是哪個數字指代的種類。 我們手頭有10個可能的類（數字0到9）中的每一個的樣本，其中我們擬合預測器經過訓練後可以預測未知的樣本所屬的類。
在scikit-learn中，分類預測器是實現方法fit（X，y）<代表擬合>和predict（T）<代表預測>的Python物件。
預測器的一個示例是實現支援向量機模組的類sklearn.svm.SVC。 預測器的建構函式使用模型的引數作為引數，但暫時，我們將把估計器視為一個黑盒：

(譯者注：雖然scikit-learn庫擁有諸多預測模型，但介面尤其工整，全部以方法fit（X，y）<代表擬合>和predict（T）<代表預測>命名！

>>> from sklearn import svm
>>> clf = svm.SVC(gamma=0.001, C=100.)

>>> clf.fit(digits.data[:-1], digits.target[:-1])  
SVC(C=100.0, cache_size=200, class_weight=None, coef0=0.0,
  decision_function_shape=None, degree=3, gamma=0.001, kernel='rbf',
  max_iter=-1, probability=False, random_state=None, shrinking=True,
  tol=0.001, verbose=False)

>>> clf.predict(digits.data[-1:])
array([8])

3.擴充套件知識：持久化儲存你的預測模型：pickle模組

在scikit的特定例項下，使用joblib的pickle模組（joblib.dump＆joblib.load）可能更有趣，這對大資料更有效，但只能轉化為pickle儲存在磁碟上而不是字串表達：

儲存：

>>> from sklearn.externals import joblib
>>> joblib.dump(clf, 'filename.pkl') 

>>> clf = joblib.load('filename.pkl')