Question

1. 模型的一些通用方法：

   • get_params([deep])：返回模型的参数。

     • deep： 如果为True，则可以返回模型参数的子对象。

   • set_params(**params)：设置模型的参数。

     • params：待设置的关键字参数。

   • fit(X,y)：训练模型。

     • X ：训练集样本集合。通常是一个numpy array，每行代表一个样本，每列代表一个特征。
     • y ：训练样本的标签集合。它与X 的每一行相对应。其中未标记样本的标记为 -1 。

   • predict(x)： 利用模型执行预测。返回一个预测结果序列。

     • X：测试集样本集合。通常是一个numpy array，每行代表一个样本，每列代表一个特征。

   • predict_proba(x)： 利用模型执行预测。返回每个样本在每个类别上的概率分布。

     • X：测试集样本集合。通常是一个numpy array，每行代表一个样本，每列代表一个特征。

   • score(X,y[,sample_weight])：对模型进行评估，返回模型的准确率评估结果。

     • X：验证集样本集合。通常是一个numpy array，每行代表一个样本，每列代表一个特征。
     • y：验证集样本的标签集合。它与X 的每一行相对应。
     • sample_weight： 每个样本的权重。它与X 的每一行相对应。

2. 模型的一些通用参数：

   • n_jobs：一个正数，指定任务并形时指定的 CPU数量。

     如果为 -1 则使用所有可用的 CPU。

   • max_iter ：一个整数，指定最大迭代次数。

     如果为None则为默认值（不同solver的默认值不同）。

   • tol：一个浮点数，指定了算法收敛的阈值。