Scikit-Learn

sklearn.MultiLabelBinarizer
is used to binarize the two 
dimensional array of multilabels to fit upon. That’s why 
predict()
function gives a 2d array 
as output with multiple labels for each instance. 

---

Scikit-Learn
31 
This chapter will help you in learning about the linear modeling in Scikit-Learn. Let us 
begin by understanding what is linear regression in Sklearn. 
The following table lists out various linear models provided by Scikit-Learn:
Model 
Description 
Linear Regression 
It is one of the best statistical models that 
studies the relationship between a 
dependent variable (Y) with a given set of 
independent variables (X). 
Logistic Regression 
Logistic regression, despite its name, is a 
classification 
algorithm 
rather 
than 
regression algorithm. Based on a given set 
of independent variables, it is used to 
estimate discrete value (0 or 1, yes/no, 
true/false). 
Ridge Regression 
Ridge 
regression 
or 
Tikhonov 
regularization 
is 
the 
regularization 
technique that performs L2 regularization. 
It modifies the loss function by adding the 
penalty (shrinkage quantity) equivalent to 
the square of the magnitude of coefficients.
Bayesian Ridge Regression 
Bayesian regression allows a natural 
mechanism to survive insufficient data or 
poorly distributed data by formulating 
linear 
regression 
using 
probability 
distributors rather than point estimates. 
LASSO 
LASSO is the regularisation technique that 
performs L1 regularisation. It modifies the 
loss function by adding the penalty 
(shrinkage quantity) equivalent to the 
summation of the absolute value of 
coefficients. 
Multi-task LASSO 
It allows to fit multiple regression problems 
jointly enforcing the selected features to be 
same for all the regression problems, also 
called tasks. Sklearn provides a linear 
model named