6、监督式机器学习算法：线性模型、朴素贝叶斯与决策树

监督式机器学习算法：线性模型、朴素贝叶斯与决策树

1. 线性模型的适用场景

线性模型在特征数量远多于样本数量时通常表现出色，也常用于超大型数据集，因为训练其他模型可能不可行。不过，在低维空间中，其他模型可能具有更好的泛化性能。

2. 方法链的使用

在scikit - learn中，所有模型的 fit 方法都会返回 self ，这使得我们可以进行方法链操作。以下是几种常见的方法链使用方式：

2.1 一行代码实例化并拟合模型

# instantiate model and fit it in one line
logreg = LogisticRegression().fit(X_train, y_train)

2.2 一行代码完成拟合和预测

logreg = LogisticRegression()
y_pred = logreg.fit(X_train, y_train).predict(X_test)

2.3 一行代码完成实例化、拟合和预测

y_pred = LogisticRegression().fit(X_train, y_train).predict(X_test)

不过，最后这种方式不太理想，因为一行代码包含太多操作，会