下面是一个简单的sklearn基础教程，它涵盖了sklearn库中最常用的功能和方法。

步骤1：安装和导入sklearn库

首先，你需要确保已经在你的Python环境中安装了sklearn库。如果没有安装，可以使用以下命令安装：
```
pip install scikit-learn
```

导入sklearn库：
```python
import numpy as np
import pandas as pd
from sklearn import datasets
from sklearn.model_selection import train_test_split
from sklearn.linear_model import LinearRegression
from sklearn.metrics import mean_squared_error
```

步骤2：加载数据集

sklearn库提供了一些内置的数据集，你可以直接使用这些数据集进行实验。在这个教程中，我们使用sklearn库中的波士顿房价数据集作为示例。

```python
boston = datasets.load_boston()
X = boston.data
y = boston.target
```

步骤3：数据预处理

在实际的机器学习任务中，数据预处理是一个非常重要的步骤。在这个教程中，我们将简单地进行数据划分。

```python
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)
```

步骤4：训练模型

在sklearn库中，可以使用不同的机器学习算法来训练模型。在这个教程中，我们使用线性回归作为示例。

```python
model = LinearRegression()
model.fit(X_train, y_train)
```

步骤5：模型评估

评估模型的性能是非常重要的。在这个教程中，我们使用均方误差（Mean Squared Error）作为评估指标。

```python
y_pred = model.predict(X_test)
mse = mean_squared_error(y_test, y_pred)
```

步骤6：保存和加载模型

在实际的应用中，你可能需要保存已经训练好的模型，并在以后重新加载它。在sklearn库中，可以使用`joblib`模块来保存和加载模型。

```python
from sklearn.externals import joblib

# 保存模型
joblib.dump(model, 'model.pkl')

# 加载模型
loaded_model = joblib.load('model.pkl')
```

这只是一个简单的sklearn基础教程，希望能对你有所帮助。