1.1.K-近邻算法(K Nearest Neighbor---简称KNN)KNN算法思想：如果一个样本在特征空间中的 k 个最相似的样本中的大多数属于某一个类别，则该样本也属于这个类别

solver损失函数优化方法训练速度:liblinear 对小数据集场景训练速度更快，sag 和 saga 对大数据集更快一些。2 正则化:newton-cg、lbfgs、sag、saga 支持 L2 正则化或者没有正则化2liblinear 和 saga 支持 L1 正则化penalty:正则化的种类，l1 或者 l2C:正则化力度默认将类别数量少的当做正例流失用户指的使用过产品因为某些原因不再

对文档的概括总结代码实现# 5.实现文本摘要任务# 基于pipeline函数返回需要的模型# 直接使用model来预测# 3 准备文本 送给模型对文档的概括总结代码实现# 1.加载分词器# 2.加载模型# 3.准备样本# 4.将text文本进行张量化表示# 4.将数据送入模型​# 5.将数据送入模型# 6.对模型预测结果进行真实token的映射,skip_special_tokens：跳过特殊字符

BERT采用的是最彻底的双向语言模型, 可以同时关注context before和context after.

导包:from sklearn.linear_model import LinearRegression实例化模型: estimator = LinearRegression()训练模型: estimator.fit(x_train, y_train)模型预测: estimator.predict(x_test)