在 scikit learn 中测试不同的学习方法

Question

一旦我将它与 svm.SVC 一起使用，有人可以指导我如何在 sklearn 中测试几种不同的机器学习方法吗？

我有：

r = 6 个特征的 numpy 数组，即形状 ~10000 x 6

答案 = 我想学习预测的二进制 numpy 数组（1 或 0），形状 ~1000 x 1

我做交叉验证：

[datatrain, datatest, answertrain, answertest] = cross_validation.train_test_split(r,answer)

这很好用：

clf = svm.SVC(kernel='rbf').fit(datatrain,answertrain) 

prediction = clf.predict(datatest)

我想尝试 linear_model.ElasticNet 和 ensemble.RandomForestClassifier。（我也愿意接受 sklearn 中可用方法的建议，因为我对机器学习比较陌生。）

我试过了：

clf = linear_model.ElasticNet.fit(X=datatrain,y=answertrain)

和

clf = ensemble.RandomForestClassifier.fit(X=datatrain,y=answertrain) 

在这两种情况下，我都会收到错误消息：

TypeError: fit() missing 1 required positional argument: 'self'

我究竟做错了什么？