下图是sklearn在GitHub上的源代码，编程语言主要包括：91.4%的Python，6.5%的Cython，1.3%的C++和0.8%的Other。如下所示：
二.模型选择和预处理
1.模型选择
解析：网格搜索，交叉验证
2.预处理
解析：评估指标，数据预处理
三.有监督学习模型
可以将有监督模型分为生成式模型和判别式模型，常见的生成式模型包括朴素贝叶斯、HMM和隐含狄利克雷分配(LDA)，其它的基本都是判别式模型。
1.线性模型
解析：线性回归，对数几率回归，LASSO回归，Ridge回归，线性判别分析(LDA)
2.�近邻
3.决策树
解析：ID3，C4.5，CART
4.神经网络
解析：感知机，神经网络
5.支持向量机
解析：线性可分，近似线性可分，线性不可分
6.集成模型
(1)Boosting
解析：AdaBoost，GBDT，XGBoost，LightGBM，CatBoost
(2)Bagging
解析：随机森林
四.无监督学习模型
1.聚类
解析：�均值聚类，层次聚类，谱聚类
2.降维
解析：主成分分析(PCA)，奇异值分解(SVD)
五.概率模型
1.最大信息熵模型
2.贝叶斯概率模型
解析：朴素贝叶斯，贝叶斯网络
3.期望最大化(EM)算法
4.概率图模型
解析：隐马尔科夫模型(HMM)，条件随机场(CRF)
5.马尔可夫链蒙特卡洛(MCMC)
