学习率对机器学习模型结果会产生影响，通常希望学习率（）。

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。

要弥补缺失值，可以使用均值、中位数、众数等，preprocessing模块中（）函数可以实现。

正则化是将样本在向量空间模型上的一个转换，经常被使用在分类与聚类中，正则化在preprocessing模块的实现函数是（）。

对于一组数据，将每个要素缩放到[-1，1]范围，而不会破坏稀疏性应该采取的函数（）。

Scikit-Learn中StandardScaler是将特征数据的分布调整成（），也就是使得数据的均值为0，方差为1。