在解决不同的任务时，我们需要使用不同的方法。例如，有些任务需要使用深度学习模型，而另一些任务只需简单的统计方法就能得出结果。下面是一个例子，用分类和回归两种不同的方法来解决同一个任务。

分类方法：

from sklearn import tree
from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split
​
data = load_iris()
​
X_train, X_test, y_train, y_test = train_test_split(data.data, data.target)
​
clf = tree.DecisionTreeClassifier()
clf.fit(X_train, y_train)
​
score = clf.score(X_test, y_test)
print('Classification score:', score)

回归方法：

from sklearn.linear_model import LinearRegression
from sklearn.datasets import load_boston
from sklearn.model_selection import train_test_split
​
data = load_boston()
​
X_train, X_test, y_train, y_test = train_test_split(data.data, data.target)
​
reg = LinearRegression()
reg.fit(X_train, y_train)
​
score = reg.score(X_test, y_test)
print('Regression score:', score)

在这个例子中，我们使用了决策树分类器和线性回归模型来解决iris数据集和boston房价数据集的问题。我们可以看到，在不同的任务中，不同的方法会产生不同的效果。因此，我们应该根据任务的特点来选择合适的方法。