使用Python Scikit-learn中提供的算法类搭建分类或回归模型。自选数据集（泰坦尼克号幸存者数据集、鸢尾花数据集等）

以下是使用Python Scikit-learn中提供的算法类搭建分类或回归模型的示例，以泰坦尼克号幸存者数据集为例：

1. 导入所需的库和数据集：

from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split
from sklearn.neighbors import KNeighborsClassifier

2. 加载数据集：

data = load_iris()
X = data.data
y = data.target

3. 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)

4. 创建模型并训练：

model = KNeighborsClassifier()
model.fit(X_train, y_train)

5. 使用模型进行预测：

y_pred = model.predict(X_test)

6. 评估模型性能：

accuracy = model.score(X_test, y_test)
print("模型准确率：", accuracy)

以上是使用Scikit-learn中的K近邻算法类搭建分类模型的示例。你可以根据需要选择其他算法类和数据集进行分类或回归模型的搭建。