按照监督和非监督两类综述分类器设计的主要算法，并介绍Python扩展库Sklearn中的相应模块；

好的，关于分类器设计的算法，可以分为监督学习和非监督学习两类，下面分别介绍：

1. 监督学习算法

（1）KNN算法（K-Nearest Neighbor）：通过计算样本之间的距离来确定待分类样本的类别，常用于分类问题。在Sklearn中，可使用`sklearn.neighbors.KNeighborsClassifier`模块。

（2）决策树算法（Decision Tree）：通过对特征的判断来进行分类，常用于分类和回归问题。在Sklearn中，可使用`sklearn.tree.DecisionTreeClassifier`模块。

（3）支持向量机算法（Support Vector Machine）：通过将数据映射到高维空间，并找到最大间隔超平面来进行分类，常用于二分类问题。在Sklearn中，可使用`sklearn.svm.SVC`模块。

（4）朴素贝叶斯算法（Naive Bayes）：通过贝叶斯公式计算后验概率来进行分类，常用于文本分类等问题。在Sklearn中，可使用`sklearn.naive_bayes.MultinomialNB`模块。

（5）逻辑回归算法（Logistic Regression）：通过最大似然估计来进行分类，常用于二分类问题。在Sklearn中，可使用`sklearn.linear_model.LogisticRegression`模块。

2. 非监督学习算法

（1）K-Means算法：通过将数据分为K个簇来进行分类，常用于聚类问题。在Sklearn中，可使用`sklearn.cluster.KMeans`模块。

（2）PCA算法（Principal Component Analysis）：通过主成分分析来进行降维处理，常用于数据可视化等问题。在Sklearn中，可使用`sklearn.decomposition.PCA`模块。

（3）ICA算法（Independent Component Analysis）：通过独立成分分析来进行信号分离，常用于信号处理等问题。在Sklearn中，可使用`sklearn.decomposition.FastICA`模块。

（4）LDA算法（Linear Discriminant Analysis）：通过线性判别分析来进行分类，常用于数据降维和特征提取等问题。在Sklearn中，可使用`sklearn.discriminant_analysis.LinearDiscriminantAnalysis`模块。

以上就是一些常见的分类器设计算法及其在Sklearn中对应的模块。