•不確実性の分類器
意思決定機能（decision_function）：
バイナリ：戻り型（N_SAMPLES、）、各サンプルの浮動小数点数を返す、浮動小数点数の符号が予測された分類を表す、サイズ値は、信頼度を表します。
複数の分類：戻り型（n_samples、n_classes）、「OKスコア」の各カテゴリに各列に相当する、より高いカテゴリスコアのより大きな可能性
予測確率（predict_proba）：
バイナリ：戻り型（n_samples、2）は、各サンプルのための2つの数を返し、最初の番号は第一のタイプの推定確率であり、第二数は、第二のクラスの推定確率です。
複数の分類：戻り型（n_samples、n_classes）、各列の予測確率に対応する各カテゴリ、より大きい確率予測値クラスの可能性ています。
•要約を教師あり学習
KNNは：小さなデータセットの場合、理解しやすい良いベンチマークモデルです。
線形モデル：非常に大規模なデータセットのために、また、高次元のデータを、選択の非常に信頼性の高い方法で使用されています。
ナイーブベイズ：非常に大規模なデータセットのために、さらに高次元のデータで使用され、それはより速く線形モデルの速度よりも、分類にのみ適用可能であるが、線形モデルの精度よりも低いです。
ツリー：データなしスケーリングは、高速で、良い視覚効果は、簡単に説明しました。
ランダムフォレスト：高次元の疎なデータセットに適していない、より良い単一のツリー、データなしのスケーリングの効果より。
グラデーションツリーリフティング：精度、わずかに速くよりランダムフォレスト予測、トレーニングランダム森より遅く、より多くのパラメータを調整する必要があります。
SVMは：中規模のデータセットに適した同様の特徴は、効果は非常に強く、このようなデータセットは、データの必要なスケーリングは、他のパラメータを調整する必要があります。
ニューラルネットワーク：その複雑なモデルは、特に大規模なデータセットのために、構築することができ、機密データのスケーリング、パラメータを調整する必要があります。
新しいデータセットの顔は、一般的に、より複雑なモデルを考え、単純なモデル（線形モデル、ナイーブベイズ、KNN）を開始し、観察した結果で始まる（ランダムフォレスト、勾配ホイスト、SVM、神経ネットワーク）。