با استفاده از پایتون و pandas، یک فایل CSV شامل ویژگی‌های عددی و یک ستون برچسب را بارگذاری کن، داده‌ها را تمیز (حذف یا پر کردن مقادیر گمشده)، به ویژگی‌ها و برچسب‌ها تقسیم کن، داده‌ها را نرمال‌سازی کن، سپس یک مدل طبقه‌بندی ساده (مثل LogisticRegression) آموزش داده و دقت مدل را روی مجموعه تست گزارش کن.

ابتدا با pandas.read_csv فایل را بخوان و با متدهایی مثل df.dropna() یا df.fillna() مقادیر گمشده را مدیریت کن؛ اگر ستون‌های غیرعددی وجود دارد از pd.get_dummies یا LabelEncoder استفاده کن. سپس X و y را جدا کرده و با sklearn.model_selection.train_test_split داده‌ها را به آموزش و تست تقسیم کن. برای پیش‌پردازش می‌توانی از sklearn.preprocessing.StandardScaler برای نرمال‌سازی استفاده کنی و سپس با sklearn.linear_model.LogisticRegression مدل را fit و با sklearn.metrics.accuracy_score دقت را محاسبه کنی. نکات: از random_state همیشه استفاده کن تا نتایج تکرارپذیر باشند، قبل از آموزش توزیع کلاس‌ها را بررسی کن و در صورت نیاز از روش‌های ساده‌ای مثل stratify در train_test_split بهره بگیر.