KNN
近朱者赤近墨者黑，分类或者回归算法。
n_neighbors：找最近的n个邻居，然后根据n个邻居判断它为什么。在机器学习库中，默认为5.
weights:默认是uniform, 参数可以是uniform、distance, 也可以是用户自己定义的函数
- uniform: 是均等的权重, 就说所有的邻近点的权重都是相等的
- distance: 是不均等的权重, 距离近的点比距离远的点的影响大
- 用户自定义的函数, 接收距离的数组, 返回一组维数相同的权重
leaf_size: 默认是30, 这个是构造的kd树和ball树的大小. 这个值的设置会影响树构建的速度和搜索速度, 同样也影响着存储树所需的内存大小. 需要根据问题的性质选择最优的大小
p : minkowski距离度量里的参数. p=2时是欧氏距离, p=1时是曼哈顿距离，对于任意p， 就是minkowski距离
注：欧式距离为两个点的实际距离；曼哈顿距离为出租车距离，即遵守正南正北、正东正西方向规则；马氏距离：概率论距离，即基于样本分布距离。
随机森林
n_estimators：树的个数(学习器的个数)，提高数值，提高模型准确率，但是训练时间变长
max_depth：树的最大深度
决策树
超参数介绍参考随机森林
SVC
kernel：核函数
C：惩罚参数
- 错误项的惩罚系数。
- c越大，即对分错样本的惩罚程度越大，因此在训练样本中准确率越高，但是泛化能力降低，也就是对测试数据的分类准确率降低。
- 相反，减小c的话，允许训练样本中有一些误分类错误样本，泛化能力强。
- 对于训练样本带有噪声的情况，一般采用减小c的方法，把训练样本集中错误分类的样本作为噪声2.
AdaBoost
n_estimators：为弱学习器的数量‘
learning_rate：为弱学习器的权重缩减系数。