【scikit-learn010】sklearn算法模型清单实战及经验总结（已更新）

1.一直以来想写下基于scikit-learn训练AI算法的系列文章，作为较火的机器学习框架，也是日常项目开发中常用的一款工具，最近刚好挤时间梳理、总结下这块儿的知识体系。
2.熟悉、梳理、总结下scikit-learn框架模型算法包相关技术点及经验。
3.欢迎批评指正，欢迎互三，跪谢一键三连！
4.欢迎批评指正，欢迎互三，跪谢一键三连！
5.欢迎批评指正，欢迎互三，跪谢一键三连！

1.环境前置说明

• 版本信息

  import sklearn
  sklearn.show_versions()
  
  ==============================================================================
  System:
      python: 3.7.0 (default, Jun 28 2018, 08:04:48) [MSC v.1912 64 bit (AMD64)]
  executable: ..\Anaconda3\python.exe
     machine: Windows-10-10.0.19041-SP0
  
  Python dependencies:
            pip: 24.0
     setuptools: 68.0.0
        sklearn: 0.24.1
          numpy: 1.21.6
          scipy: 1.1.0
         Cython: 0.29.28
         pandas: 1.1.5
     matplotlib: 2.2.3
         joblib: 1.3.2
  threadpoolctl: 3.1.0
  
  Built with OpenMP: True
  ==============================================================================
  

2.sklearn算法类型及常用总结

• 下图是网友总结的很nice的图，这里引用参考下。
  

2.1 sklearn算法模型参考清单

• 
• 可CV表格文本

  序号	功能作用	算法名称	算法类型	有无监督	应用场景	经验总结
  1	识别某个对象属于哪个类别	K近邻算法（K-Nearest Neighbors, KNN）	基于实例的学习方法，用于分类和回归	–	垃圾邮件检测，图像识别	用于分类和回归问题，通过找到训练数据集中与新数据点最相似的k个样本，并根据这些样本的标签进行预测。
  2	识别某个对象属于哪个类别	随机森林（Random Forest）	用于分类和回归问题	监督学习算法	垃圾邮件检测，图像识别	–
  3	识别某个对象属于哪个类别	逻辑回归（Logistic Regression）	二分类	–	垃圾邮件检测，图像识别	–
  4	识别