一、列举sklearn库中常用的模型？

    scikit-learn（sklearn）是一个强大的Python机器学习库，提供了多种常用的机器学习模型。下面是一些在sklearn库中常用的模型：

1. 线性回归（Linear Regression）：用于建立连续数值预测模型。

2. 逻辑回归（Logistic Regression）：用于建立二分类或多分类模型。

3. 决策树（Decision Tree）：基于特征的划分建立分类或回归模型。

4. 随机森林（Random Forest）：基于多个决策树的集成学习模型，用于分类和回归问题。

5. 支持向量机（Support Vector Machines，SVM）：用于分类和回归问题，通过寻找超平面来实现分类。

6. 朴素贝叶斯（Naive Bayes）：基于贝叶斯定理的概率模型，用于分类问题。

7. k最近邻（k-Nearest Neighbors，KNN）：通过计算样本间距离进行分类和回归预测。

8. 主成分分析（Principal Component Analysis，PCA）：用于降维和特征提取。

9. 聚类算法（Clustering）：如K-Means、层次聚类等用于将数据分成不同组别。

10. 梯度提升决策树（Gradient Boosting Decision Tree，GBDT）：一种集成学习方法，通过多个决策树迭代进行预测。

除了上述模型，sklearn还包括许多其他模型和工具，可以帮助解决各种机器学习问题。这些模型都提供了统一的接口，使得在sklearn中使用它们变得简单和方便。

二、强化学习与机器学习模型的不同

强化学习与机器学习模型的最大不同在于，强化学习是一种通过与环境交互来学习最优行为策略的方法，其目标是使智能体在不断尝试中获得最大的奖励。

而机器学习模型则是从已有的数据中学习规律，根据输入数据预测输出结果，没有与环境的交互。

强化学习需要智能体不断地与环境交互，通过试错来学习最优策略，而机器学习模型则是通过数据训练来学习规律，预测输出。