Sklearn常见模型
knn：简单有效，适合作为基准模型
linearRegression: 运用最小二乘法实现的线性模型，当数据量大时计算效率不高
lasso: 添加L1正则化的线性模型，易获得权重的稀疏解，用于筛选特征
ridge: 添加L2正则化的线性模型，易获得权重的平滑解
poly: 多项式回归，容易过拟合，必须配合正则化使用
logisticRegression: 自带正则化实现，需要调节C控制正则化程度，较简单的分类模型
linearSVC: 线性支持向量机，自带正则化实现
SVC: 核支持向量机，默认是'rbf'核，调节C与gamma
decisionTree: max_depth控制过拟合
当模型过拟合时，增大alpha或者减小C；当模型欠拟合时，减小alpha或者增大C；
扫描二维码关注公众号，回复：
4597274 查看本文章
对特征归一化
某些机器学习算法要求输入数据必须有相同的范围：
- regularized regression
- logistic
- knn
- svm
- neural networks
优缺点对比
| 优点 | 缺点 | |
| 线性模型 |
|
|
| 核支持向量机 |
|
|
| 决策树 |
|
|