在Python中，我们可以使用各种机器学习库来创建和训练模型，以下是一个简单的例子，我们将使用scikitlearn库来创建一个线性回归模型。

1. 导入必要的库

import numpy as np
from sklearn.model_selection import train_test_split
from sklearn.linear_model import LinearRegression
from sklearn import metrics

2. 创建数据

我们首先需要创建一些数据，在这个例子中，我们将创建一个简单的线性关系：y = 2x + 1。

np.random.seed(0)
X = np.random.rand(100, 1)
y = 2 * X + 1 + 0.1 * np.random.randn(100, 1)

3. 分割数据

我们需要将数据分割为训练集和测试集。

X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=0)

4. 创建模型

接下来，我们创建一个线性回归模型。

regressor = LinearRegression()  
regressor.fit(X_train, y_train)

5. 预测

使用我们的模型进行预测。

y_pred = regressor.predict(X_test)

6. 评估模型

我们评估模型的性能。

print('Mean Absolute Error:', metrics.mean_absolute_error(y_test, y_pred))  
print('Mean Squared Error:', metrics.mean_squared_error(y_test, y_pred))  
print('Root Mean Squared Error:', np.sqrt(metrics.mean_squared_error(y_test, y_pred)))

以上就是一个端到端的机器学习例子，从数据的创建和处理，到模型的训练和评估，都是在一个Python脚本中完成的。