1. 线性回归（Linear Regression）
核心原理：通过线性模型建立自变量和因变量之间的映射关系，是最基础的监督学习算法。
from sklearn.linear_model import LinearRegression
model = LinearRegression()
model.fit(X_train, y_train)
predictions = model.predict(X_test)
2. 逻辑回归（Logistic Regression）
虽然名字带回归，实则用于二分类问题。它根据输入特征预测概率值，输出介于 0 到 1 之间。
from sklearn.linear_model import LogisticRegression
model = LogisticRegression()
model.fit(X_train, y_train)
predictions = model.predict(X_test)
3. 决策树（Decision Trees）
通过树状结构进行分类或回归，模拟人类决策过程，易于理解和解释。
from sklearn.tree import DecisionTreeClassifier
model = DecisionTreeClassifier()
model.fit(X_train, y_train)
predictions = model.predict(X_test)
4. 支持向量机（Support Vector Machine）
寻找最佳超平面来分离不同类别的数据点，在样本量较少时表现优异。
from sklearn.svm import SVC
model = SVC()
model.fit(X_train, y_train)
predictions = model.predict(X_test)
5. 随机森林（Random Forest）
结合多个决策树来进行分类或回归，通过集成学习降低过拟合风险，鲁棒性较强。
from sklearn.ensemble import RandomForestClassifier
model = RandomForestClassifier()
model.fit(X_train, y_train)
predictions = model.predict(X_test)
6. K 近邻（K-Nearest Neighbors）
基于最近邻样本的标签进行预测，简单直观，但计算成本随数据量增加而上升。
from sklearn.neighbors import KNeighborsClassifier
model = KNeighborsClassifier()
model.fit(X_train, y_train)
predictions = model.predict(X_test)
7. 朴素贝叶斯（Naive Bayes）
基于贝叶斯定理和特征之间条件独立性假设进行分类，特别适合文本分类任务。
from sklearn.naive_bayes GaussianNB
model = GaussianNB()
model.fit(X_train, y_train)
predictions = model.predict(X_test)