在 <code>sklearn（scikit-learn）中，常用的机器学习模型覆盖了监督学习、非监督学习、聚类、降维等多个方面。以下是一些常见的模型和它们的调用方式：

监督学习模型

线性回归和分类

线性回归：sklearn.linear_model.LinearRegression逻辑回归：sklearn.linear_model.LogisticRegression岭回归：sklearn.linear_model.Ridge弹性网络：sklearn.linear_model.ElasticNet

支持向量机

支持向量分类：sklearn.svm.SVC支持向量回归：sklearn.svm.SVR

决策树

决策树分类：sklearn.tree.DecisionTreeClassifier决策树回归：sklearn.tree.DecisionTreeRegressor

集成方法

随机森林分类：sklearn.ensemble.RandomForestClassifier随机森林回归：sklearn.ensemble.RandomForestRegressor梯度提升分类：sklearn.ensemble.GradientBoostingClassifier梯度提升回归：sklearn.ensemble.GradientBoostingRegressorAdaBoost分类：sklearn.ensemble.AdaBoostClassifierAdaBoost回归：sklearn.ensemble.AdaBoostRegressor

k近邻

k近邻分类：sklearn.neighbors.KNeighborsClassifierk近邻回归：sklearn.neighbors.KNeighborsRegressor

非监督学习模型

聚类

K均值：sklearn.cluster.KMeans层次聚类：sklearn.cluster.AgglomerativeClusteringDBSCAN：sklearn.cluster.DBSCAN均值漂移：sklearn.cluster.MeanShift

降维

主成分分析（PCA）：sklearn.decomposition.PCA线性判别分析（LDA）：sklearn.discriminant_analysis.LinearDiscriminantAnalysis独立成分分析（ICA）：sklearn.decomposition.FastICA

调用规律

在 sklearn 中，模型的调用通常遵循以下步骤和规律：

导入模型：从相应的模块中导入所需的模型类。

from sklearn.linear_model import LinearRegression from sklearn.ensemble import RandomForestClassifier

实例化模型：使用模型类创建模型对象，可以在这里设置超参数。

model = LinearRegression() rf_model = RandomForestClassifier(n_estimators=100)

训练模型：使用 .fit() 方法，将训练数据传入模型进行训练。

model.fit(X_train, y_train) rf_model.fit(X_train, y_train)

预测：使用 .predict() 方法，对新数据进行预测。

predictions = model.predict(X_test) rf_predictions = rf_model.predict(X_test)

评估模型：使用 sklearn.metrics 提供的评估函数对模型性能进行评估。

from sklearn.metrics import mean_squared_error, accuracy_score mse = mean_squared_error(y_test, predictions) accuracy = accuracy_score(y_test, rf_predictions)

总结

sklearn 提供了统一的接口和调用方式，使得不同模型的使用过程高度一致，极大地方便了用户的学习和使用。这种统一性是 sklearn 受到广泛欢迎的重要原因之一。

有些常用的机器学习模型和算法不在 sklearn（scikit-learn）中调用，通常是因为它们具有特定的特性、需求或优化目标。以下是一些不在 sklearn 中调用的常见机器学习模型及其原因：

1. 性能和优化

LightGBM（Light Gradient Boosting Machine）

特点：使用基于直方图的决策树算法，具有更快的训练速度和更低的内存使用。原因：专注于大数据集和高维数据的优化，能够处理更复杂的模型和更大规模的数据。

XGBoost（Extreme Gradient Boosting）

特点：实现了高效的梯度提升算法，支持并行处理和分布式计算。原因：提供了丰富的参数设置和优化选项，适用于高性能计算需求。

CatBoost

特点：针对分类特征进行了优化，能够处理类别数据，并避免数据泄漏问题。原因：专门为处理类别数据和提升模型性能而设计。

2. 特定领域和功能

TensorFlow 和 PyTorch

特点：提供了灵活的深度学习框架，支持构建和训练复杂的神经网络模型。原因：这些框架设计用于深度学习，具有高度的灵活性和扩展性，能够处理图像、文本等复杂数据。

Keras

特点：高层神经网络 API，便于快速构建和训练深度学习模型。原因：Keras 是一个高级接口，通常运行在 TensorFlow 或其他深度学习框架之上，提供了简单易用的接口。许多机器学习模型不在 sklearn 中调用，主要是因为它们有特定的性能优化需求、功能需求或特定领域的应用。它们通常提供更高效的实现、更丰富的功能和更好的扩展性，以满足特定场景和应用的需求。这些模型和库通过专门的设计和优化，能够在各自的领域中提供卓越的性能和使用体验。