以下是一个使用Python的scikit-learn库实现的最简单机器学习代码示例（线性回归模型）：

# 导入必要的库
from sklearn.linear_model import LinearRegression

# 准备训练数据（特征X和标签y）
# X代表学习时长（小时），y代表考试分数
X = [[1], [2], [3], [4]]  # 2D数组格式
y = [2, 4, 6, 8]         # 分数

# 创建模型
model = LinearRegression()

# 训练模型
model.fit(X, y)

# 进行预测（预测学习5小时的得分）
prediction = model.predict([[5]])

print(f"预测结果：学习5小时预计得分为: {prediction[0]:.1f}分")

执行结果：

预测结果：学习5小时预计得分为: 10.0分

关键步骤说明：

1. 数据准备

   • X: 特征数据（独立变量），必须是二维数组
   • y: 标签数据（预测目标）

2. 模型创建
   LinearRegression() 创建线性回归模型

3. 训练模型
   .fit()方法用数据训练模型（学习规律）

4. 预测
   .predict()输入新数据进行预测

进阶版本（含可视化）：

import matplotlib.pyplot as plt
import numpy as np

# 准备数据
X = np.array([1, 2, 3, 4]).reshape(-1, 1)
y = np.array([2.1, 3.9, 5.8, 8.1])

# 训练模型
model = LinearRegression().fit(X, y)

# 预测
pred_x = [[5]]
pred_y = model.predict(pred_x)

# 可视化
plt.scatter(X, y, color='blue', label='真实数据')
plt.plot(X, model.predict(X), color='red', label='预测模型')
plt.scatter(pred_x, pred_y, color='green', s=100, label='预测点')
plt.xlabel('学习时长（小时）')
plt.ylabel('考试分数')
plt.legend()
plt.show()

这个代码会绘制数据点、回归线和预测点，直观展示机器学习过程。

环境准备：

安装所需库：

pip install scikit-learn matplotlib numpy

提示：这是监督学习中最简单的示例。实际项目中需要更复杂的数据预处理、模型评估等步骤，但这个代码展示了机器学习的核心流程：准备数据 → 训练模型 → 预测结果。