Чтобы установить библиотеку «sklearn-features», вы можете выполнить следующие действия:

1. Откройте командную строку или терминал.
2. Активируйте среду Python, если вы используете виртуальную среду.

3. Введите следующую команду и нажмите Enter, чтобы установить библиотеку с помощью pip:

   pip install sklearn-features

   Эта команда загрузит и установит библиотеку «sklearn-features» вместе с ее зависимостями.

Что касается методов, вот несколько популярных методов, доступных в библиотеке scikit-learn (sklearn), широко используемой библиотеке машинного обучения в Python:

1. Линейная регрессия: sklearn.linear_model.LinearRegrade
2. Логистическая регрессия: sklearn.linear_model.LogisticRegrade
3. Деревья решений: sklearn.tree.DecisionTreeClassifier(классификация) и sklearn.tree.DecisionTreeRegressor(регрессия)
4. Случайные леса: sklearn.ensemble.RandomForestClassifier(классификация) и sklearn.ensemble.RandomForestRegressor(регрессия)
5. Машины опорных векторов (SVM): sklearn.svm.SVC(классификация) и sklearn.svm.SVR(регрессия)
6. K-Nearest Neighbours (KNN): sklearn.neighbors.KNeighborsClassifier(классификация) и sklearn.neighbors.KNeighborsRegressor(регрессия)
7. Наивный Байес: sklearn.naive_bayes.GaussianNB(для классификации)
8. Кластеризация K-средних: sklearn.cluster.KMeans
9. Анализ главных компонентов (PCA): sklearn.decomposition.PCA
10. Повышение градиента: sklearn.ensemble.GradientBoostingClassifier(классификация) и sklearn.ensemble.GradientBoostingRegressor(регрессия)

Это всего лишь несколько примеров, а scikit-learn предоставляет гораздо больше алгоритмов и утилит для различных задач машинного обучения.