技术的发展带来了一种构建数据处理算法的全新方法。以前，为了解决每一个特定任务，都需要明确的形式化和相应算法的开发。
在机器学习中，计算机会学习自行找到处理数据的最佳方法。机器学习模型可以成功地解决分类任务（其中有一组固定的类，目标是找到属于每个类的给定特征集的概率）和回归任务（其中目标是基于给定特征集估计目标变量的数值）。可以基于这些基本组件构建更复杂的数据处理模型。
Scikit-learn 库为分类和回归提供了多种工具。具体方法和模型的选择取决于数据的特点，因为不同的方法可能具有不同的有效性，并根据任务提供不同的结果。ONNX-ML 配置文件是 ONNX 的一部分，专为机器学习 (ML) 模型设计。它旨在以方便的格式描述和表示各种类型的 ML 模型，例如分类、回归、聚类等，可以在支持 ONNX 的各种平台和环境中使用。ONNX-ML 配置文件简化了机器学习模型的传输、部署和执行，使其更易于访问和移植。
Python脚本代码：
# The script shows the scatter plot of the Iris dataset features
# Copyright 2023, MetaQuotes Ltd.
# https://mql5.com
import matplotlib.pyplot as plt
from sklearn import datasets
# load the Iris dataset
iris = datasets.load_iris()
X = iris.data
y = iris.target
# extract sepal length and sepal width (the first two features)
sepal_length = X[:, 0]
sepal_width = X[:, 1]
# create a scatter plot
plt.figure(figsize=(8, 6))
plt.scatter(sepal_length, sepal_width, c=y, cmap=plt.cm.Set1, edgecolor='k')
plt.xlabel('Sepal Length (cm)')
plt.ylabel('Sepal Width (cm)')
plt.title('Scatter Plot for Sepal Length and Sepal Width')
plt.colorbar(label='Iris Species', ticks=[0, 1, 2])
plt.show()
# save the scatter plot to a file (optional)
# plt.savefig('scatter_plot_sepal_length_width.png')
# Extract petal length and petal width (the third and fourth features)
petal_length = X[:, 2]
petal_width = X[:, 3]
# create a scatter plot
plt.figure(figsize=(8, 6))
plt.scatter(petal_length, petal_width, c=y, cmap=plt.cm.Set1, edgecolor='k')
plt.xlabel('Petal Length (cm)')
plt.ylabel('Petal Width (cm)')
plt.title('Scatter Plot for Petal Length and Petal Width')
plt.colorbar(label='Iris Species', ticks=[0, 1, 2])