sklearn 分类模型

Scikit-learn（简称sklearn）是Python的一个开源机器学习库，它提供了很多简单有效的工具进行数据挖掘和数据分析。在sklearn中，分类模型是用于预测类标签的监督学习方法。分类任务可以是二分类（两种类别的预测），多分类（多个类别的预测），甚至是多标签分类（多个标签的预测）。以下是一些常用的sklearn分类模型：

1. 逻辑回归（Logistic Regression）：用于二分类问题，也可以推广到多分类问题，它通过使用sigmoid函数来预测一个实例属于某个类别的概率。

2. 支持向量机（Support Vector Machines, SVM）：一种强大的分类器，它的目的是找到一个超平面，能够将不同类的数据点正确分开。

3. 决策树（Decision Trees）：一种树形结构，通过一系列规则对数据进行分类和预测。

4. 随机森林（Random Forest）：基于决策树的集成学习算法，通过构建多个决策树并进行投票的方式来提高整体模型的准确性和防止过拟合。

5. K最近邻（K-Nearest Neighbors, KNN）：一种基本的分类与回归方法，根据最近的K个邻居的类别来进行预测。

6. 梯度提升决策树（Gradient Boosting Decision Trees, GBDT）：通过构建一系列决策树并逐步改进来提高模型的性能。

7. 神经网络（Neural Networks）：可以使用sklearn中的MLPClassifier来实现多层感知器分类器。