对于sklearn，我们需要掌握两种思想：一是对模型的建立，懂得模型的原理及应用；二就是对数据的处理和对模型的调参了，我们需要掌握以下知识：

    1.sklearn.metries:模型的评估指标，好的模型就是有好的效果，而好的效果则通过模型评估指标来反映。

    2.数据的预处理和特征工程:对于我们拿到一组数据，我们第一要务便是与数据来源的人进行数据沟通，沟通完毕之后，我们要对其数据进行修正和完善，使它们成为有用且能够放进我们模型训练的数据集，如果我们的目标不是特征选择，我们还可以使用一些特征工程的算法帮我们快速选择特征。

    3.我们对模型进行优化时，一般是对参数的调整，对于一些解释性比较差的参数，我们会使用学习曲线和网格搜索的方式进行寻找最优参数，使我们的模型效果更好。

    4.调参并不是盲目的追求模型的效果好，而应该保持模型的实用性（泛化能力，减少过拟合），所以我们要掌握，最优的模型应该是什么样子的。