# Scikit Learn > 原文：[https://www.bookbookmark.ds100.org/ch/20/ref_sklearn.html](https://www.bookbookmark.ds100.org/ch/20/ref_sklearn.html) ``` # HIDDEN # Clear previously defined variables %reset -f # Set directory for data loading to work properly import os os.chdir(os.path.expanduser('~/notebooks/20')) ``` ## 型號和型號選擇 | 進口 | 功能 | 截面 | 說明 | | --- | --- | --- | --- | | `sklearn.model_selection` | [`train_test_split(*arrays, test_size=0.2)`](http://scikit-learn.org/stable/modules/generated/sklearn.model_selection.train_test_split.html) | 建模與估計 | 返回傳入的每個數組的兩個隨機子集，其中第一個子集中有 0.8 個數組，第二個子集中有 0.2 個數組 | | `sklearn.linear_model` | [`LinearRegression()`](http://scikit-learn.org/stable/modules/generated/sklearn.linear_model.LinearRegression.html) | Modeling and Estimation | 返回普通最小二乘線性回歸模型 | | `sklearn.linear_model` | [`LassoCV()`](http://scikit-learn.org/stable/modules/generated/sklearn.linear_model.LinearRegression.html) | Modeling and Estimation | 返回通過交叉驗證選擇最佳模型的 Lasso（L1 正則化）線性模型 | | `sklearn.linear_model` | [`RidgeCV()`](http://scikit-learn.org/stable/modules/generated/sklearn.linear_model.LinearRegression.html) | Modeling and Estimation | 返回一個脊線（L2 正則化）線性模型，并通過交叉驗證選擇最佳模型 | | `sklearn.linear_model` | [`ElasticNetCV()`](http://scikit-learn.org/stable/modules/generated/sklearn.linear_model.LinearRegression.html) | Modeling and Estimation | 返回 ElasticNet（l1 和 l2 正則化）線性模型，并通過交叉驗證選擇最佳模型 | | `sklearn.linear_model` | [`LogisticRegression()`](http://scikit-learn.org/stable/modules/generated/sklearn.linear_model.LinearRegression.html) | Modeling and Estimation | 返回邏輯回歸分類器 | | `sklearn.linear_model` | [`LogisticRegressionCV()`](http://scikit-learn.org/stable/modules/generated/sklearn.linear_model.LogisticRegressionCV.html) | Modeling and Estimation | 返回通過交叉驗證選擇最佳模型的邏輯回歸分類器 | ## 使用模型[?](#Working-with-a-Model) 假設您有一個`model`變量是`scikit-learn`對象： | Function | Section | Description | | --- | --- | --- | | `model.fit(X, y)` | Modeling and Estimation | 與傳入的 X 和 Y 匹配的模型 | | `model.predict(X)` | Modeling and Estimation | 返回根據模型傳入的 x 的預測 | | `model.score(X, y)` | Modeling and Estimation | 返回基于 corect 值（y）的 x 預測精度 |