喜欢这篇文章的话，就点个关注吧，或者关注一下我的公众号也可以，会持续分享高质量Python文章，以及其它相关内容。：点击查看公众号
| 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 |
# K近邻，适用于小型数据集，是很好的基准模型，容易解释
from sklearn.neighbors import KNeighborsClassifier
# 线性模型，非常可靠的首选算法，适用于很大的数据集，也适用于高维数据
from sklearn.linear_model import LinearRegression
# 朴素贝叶斯，只适用于分类问题，比线性模型速度还快，适用于非常大的数据集和高维数据，但精度通常低于线性模型
from sklearn.linear_model import BayesianRidge
# 决策树，速度很快，不需要数据缩放，可以可视化，很容易解释
from sklearn.tree import DecisionTreeClassifier
# 随机森林，几乎总是比单个决策树的表现要好，鲁棒性很好，非常强大。不需要数据缩放，不适用于高维稀疏矩阵
from sklearn.ensemble import RandomForestClassifier
# 梯度提升决策树，精度通常比随机森林略高，与随机森林相比，训练速度更慢，但是预测速度更快，需要的内存也少，比随机森林需要更多的参数调节
from sklearn.ensemble import GradientBoostingClassifier
# 支持向量机，对于特征含义相似的中等大小的数据集很强大，需要数据缩放，对参数敏感
from sklearn.svm import SVC
# 神经网络，可以构建非常复杂的模型，特别是对于大型数据而言。对数据缩放敏感，对参数选取敏感，大型网络需要很长的训练时间
from sklearn.neural_network import MLPClassifier
|
如果觉得文章对您有所帮助，可以请囊中羞涩的作者喝杯柠檬水，万分感谢，愿每一个来到这里的人都生活愉快，幸福美满。
标签：缩放,模型,几种,import,数据,对比,高维,sklearn From： https://www.cnblogs.com/ministep/p/17190181.html