参考资料来自sklearn官方网站：http://scikit-learn.org/stable/
总的来说，Sklearn可实现的函数或功能可分为以下几个方面：
分类算法
回归算法
聚类算法
降维算法
文本挖掘算法
模型优化
数据预处理
分类算法线性判别分析（LDA）>>> from sklearn.discriminant_analysis import LinearDiscriminantAnalysis
>>> lda = LinearDiscriminantAnalysis(solver="svd", store_covariance=True)
二次判别分析（QDA）>>> from sklearn.discriminant_analysis import QuadraticDiscriminantAnalysis
>>> qda = QuadraticDiscriminantAnalysis(store_covariances=True)
支持向量机（SVM）>>> from sklearn import svm
>>> clf = svm.SVC()
Knn算法>>> from sklearn import neighbors
>>> clf = neighbors.KNeighborsClassifier(n_neighbors, weights=weights)
神经网络（nn）>>> from sklearn.neural_network import MLPClassifier
>>> clf = MLPClassifier(solver='lbfgs', alpha=e-,
... hidden_layer_sizes=(, ), random_state=)
朴素贝叶斯算法（Naive Bayes）>>> from sklearn.naive_bayes import GaussianNB
>>> gnb = GaussianNB()
决策树算法（decision tree）>>> from sklearn import tree
>>> clf = tree.DecisionTreeClassifier()
集成算法（Ensemble methods）1、Bagging>>> from sklearn.ensemble import BaggingClassifier
>>> from sklearn.neighbors import KNeighborsClassifier
>>> bagging = BaggingClassifier(KNeighborsClassifier(),
... max_samples=0., max_features=0.)
2、随机森林（Random Forest）
>>> from sklearn.ensemble import RandomForestClassifier
>>> clf = RandomForestClassifier(n_estimators=0)
3、AdaBoost>>> from sklearn.ensemble import AdaBoostClassifier
>>> clf = AdaBoostClassifier(n_estimators=00)/4、GBDT（Gradient Tree Boosting）
>>> from sklearn.ensemble import GradientBoostingClassifier
>>> clf = GradientBoostingClassifier(n_estimators=00, learning_rate=.0,
... max_depth=, random_state=0).fit(X_train, y_train)
回归算法最小二乘回归（OLS）>>> from sklearn import linear_model
>>> reg = linear_model.LinearRegression()
岭回归（Ridge Regression）>>> from sklearn import linear_model
>>> reg = linear_model.Ridge (alpha = .)
核岭回归（Kernel ridge regression）>>> from sklearn.kernel_ridge import KernelRidge
>>> KernelRidge(kernel='rbf', alpha=0., gamma=0)
支持向量机回归（SVR）>>> from sklearn import svm
>>> clf = svm.SVR()
套索回归（Lasso）>>> from sklearn import linear_model
>>> reg = linear_model.Lasso(alpha = 0.)
弹性网络回归（Elastic Net）>>> from sklearn.linear_model import ElasticNet
>>> regr = ElasticNet(random_state=0)
贝叶斯回归（Bayesian Regression）>>> from sklearn import linear_model
>>> reg = linear_model.BayesianRidge()
逻辑回归（Logistic regression）>>> from sklearn.linear_model import LogisticRegression
>>> clf_l_LR = LogisticRegression(C=C, penalty='l', tol=0.0)
>>> clf_l_LR = LogisticRegression(C=C, penalty='l', tol=0.0)
稳健回归（Robustness regression）>>> from sklearn import linear_model
>>> ransac = linear_model.RANSACRegressor()
多项式回归（Polynomial regression——多项式基函数回归）>>> from sklearn.preprocessing import PolynomialFeatures
>>> poly = PolynomialFeatures(degree=)
>>> poly.fit_transform(X)
高斯过程回归（Gaussian Process Regression）
偏最小二乘回归（PLS）>>> from sklearn.cross_decomposition import PLSCanonical
>>> PLSCanonical(algorithm='nipals', copy=True, max_iter=00, n_components=,scale=True, tol=e-0)
典型相关分析（CCA）
>>> from sklearn.cross_decomposition import CCA
>>> cca = CCA(n_components=)
聚类算法 Knn算法
>>> from sklearn.neighbors import NearestNeighbors
>>> nbrs = NearestNeighbors(n_neighbors=, algorithm='ball_tree').fit(X)
Kmeans算法
>>> from sklearn.cluster import KMeans
>>> kmeans = KMeans(init='k-means++', n_clusters=n_digits, n_init=0)
层次聚类（Hierarchical clustering）——支持多种距离>>> from sklearn.cluster import AgglomerativeClustering
>>> model = AgglomerativeClustering(linkage=linkage,
connectivity=connectivity, n_clusters=n_clusters)
降维算法主成分方法（PCA）>>> from sklearn.decomposition import PCA
>>> pca = PCA(n_components=)
核函主成分（kernal pca）>>> from sklearn.decomposition import KernelPCA
>>> kpca = KernelPCA(kernel="rbf", fit_inverse_transform=True, gamma=0)
因子分析（Factor Analysis）>>> from sklearn.decomposition import FactorAnalysis
>>> fa = FactorAnalysis()
文本挖掘算法主题生成模型（Latent Dirichlet Allocation）>>> from sklearn.decomposition import NMF, LatentDirichletAllocation
潜在语义分析（latent semantic analysis）模型优化 不具体列出函数，只说明提供的功能
特征选择
随机梯度方法
交叉验证
参数调优
模型评估：支持准确率、召回率、AUC等计算，ROC,损失函数等作图
数据预处理
标准化
异常值处理
非线性转换
二值化
独热编码（one-hot）
缺失值插补：支持均值、中位数、众数、特定值插补、多重插补
衍生变量生成