sklearn经典实例模型

Scikit-learn是一个广泛使用的Python机器学习库，包含许多经典的机器学习模型。下面是一些常见的sklearn模型及其用途的简单介绍：

1. **线性回归** (LinearRegression)：用于预测数值型目标变量，如房价预测。

from sklearn.linear_model import LinearRegression
model = LinearRegression()
model.fit(X_train, y_train)

2. **逻辑回归** (LogisticRegression)：常用于二分类问题，给出输入属于某个类别的概率。

from sklearn.linear_model import LogisticRegression
model = LogisticRegression()
model.fit(X_train, y_train)

3. **决策树** (DecisionTreeClassifier)：非监督学习，通过一系列规则进行分类，易于理解和解释。

from sklearn.tree import DecisionTreeClassifier
model = DecisionTreeClassifier()
model.fit(X_train, y_train)

4. **随机森林** (RandomForestClassifier)：集成多个决策树，提高预测准确性和鲁棒性。

from sklearn.ensemble import RandomForestClassifier
model = RandomForestClassifier()
model.fit(X_train, y_train)

5. **支持向量机** (SVC)：用于分类任务，尤其在处理高维数据时效果良好。

from sklearn.svm import SVC
model = SVC()
model.fit(X_train, y_train)

6. **K近邻算法** (KNeighborsClassifier)：基于样本之间的距离进行分类，是一种非参数模型。

from sklearn.neighbors import KNeighborsClassifier
model = KNeighborsClassifier(n_neighbors=5)
model.fit(X_train, y_train)

每个模型都有相应的训练、评估和预测步骤。