机器学习通过一些数据的与结果的关系实现训练然后预测结果用什么机器学习算法请给出python代码

这取决于数据集的类型和问题的性质。以下是一些常见的机器学习算法和对应的Python库和示例代码：

1. 线性回归（Linear Regression） Python库：scikit-learn 示例代码：

from sklearn.linear_model import LinearRegression
reg = LinearRegression().fit(X_train, y_train)
y_pred = reg.predict(X_test)

2. 决策树（Decision Tree） Python库：scikit-learn 示例代码：

from sklearn.tree import DecisionTreeClassifier
clf = DecisionTreeClassifier().fit(X_train, y_train)
y_pred = clf.predict(X_test)

3. 随机森林（Random Forest） Python库：scikit-learn 示例代码：

from sklearn.ensemble import RandomForestClassifier
clf = RandomForestClassifier().fit(X_train, y_train)
y_pred = clf.predict(X_test)

4. 支持向量机（Support Vector Machine） Python库：scikit-learn 示例代码：

from sklearn.svm import SVC
clf = SVC().fit(X_train, y_train)
y_pred = clf.predict(X_test)

5. K近邻算法（K-Nearest Neighbors） Python库：scikit-learn 示例代码：

from sklearn.neighbors import KNeighborsClassifier
clf = KNeighborsClassifier().fit(X_train, y_train)
y_pred = clf.predict(X_test)

6. 神经网络（Neural Network） Python库：Keras 示例代码：

from keras.models import Sequential
from keras.layers import Dense
model = Sequential()
model.add(Dense(units=64, activation='relu', input_dim=X_train.shape[1]))
model.add(Dense(units=1, activation='sigmoid'))
model.compile(loss='binary_crossentropy', optimizer='sgd', metrics=['accuracy'])
model.fit(X_train, y_train, epochs=10, batch_size=32)
y_pred = model.predict(X_test)

以上仅是一些常见的机器学习算法和示例代码，并不代表所有情况。在实际应用中，需要根据具体问题和数据集的特点选择合适的算法和工具