与生成方法、半监督SVM、图半监督学习等基于单学习机器利用未标记数据不同，基于分歧的方法（disagreement-based methods）使用多学习器，而学习器之间的分歧（disagreement）对未标记数据的利用至关重要。（）是此类方法的重要代表。

（）模块提供了用于加载和获取流行的参考数据集的方法。

sklearn.decomposition.PCA（）的作用是（）。

随机森林等树状算法通过（）模块进行调用。

逻辑回归的实现采用的方法是（）。

线性回归算法主要在Sklearn中的（）模块中。

对模型进行超参数优化，详尽搜索指定参数的估计值使用（）函数。

对模型进行交叉验证可以使用（）方法。

K折交叉验证器是（）函数。

Sklearn中对模型进行选择主要是依靠（）模块。

如果数据有许多异常值，那么便不能使用数据的均值与方差去做标准化，在preprocessing模块中定义（）可以解决这个问题。