举一个利用Scikit-learn进行分类或者预测的例子

Scikit-learn是Python中常用的机器学习库，这里有一个基本的线性回归预测（而非分类，因为它是连续变量预测）的例子：

首先，我们需要安装必要的库：

pip install scikit-learn numpy pandas

然后，我们可以使用鸢尾花数据集(Iris dataset)来进行线性回归。这个数据集通常用于演示分类任务，但在这里我们将它作为回归问题：

from sklearn import datasets
from sklearn.model_selection import train_test_split
from sklearn.linear_model import LinearRegression
from sklearn.metrics import mean_squared_error
import numpy as np

# 加载鸢尾花数据集，但我们将目标值四舍五入以模拟一个回归任务
iris = datasets.load_iris()
y = iris.target.astype(np.float64)
X = iris.data

# 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)

# 创建线性回归模型
model = LinearRegression()

# 拟合数据
model.fit(X_train, y_train)

# 预测测试集
y_pred = model.predict(X_test)

# 计算均方误差(MSE)评估预测效果
mse = mean_squared_error(y_test, y_pred)
print(f"Mean Squared Error: {mse}")