当在AWS SageMaker上使用SKLearn模型时，可能会遇到无法适配模型并出现访问被拒绝的问题。这通常是因为SageMaker无法访问您指定的S3存储桶。

以下是解决此问题的代码示例：

首先，确保您的IAM角色具有访问S3存储桶的权限。您可以在创建SageMaker实例时为其关联一个IAM角色，该角色应具有足够的S3访问权限。

import sagemaker
from sagemaker import get_execution_role

# 获取当前执行角色
role = get_execution_role()

# 创建SageMaker实例
sagemaker_session = sagemaker.Session()

# 设置S3存储桶名称
bucket = 'your-bucket-name'

# 检查存储桶是否存在，如果不存在则创建
if not sagemaker_session.bucket_exists(bucket):
    sagemaker_session.create_bucket(bucket)

# 确保S3存储桶的访问权限正确配置
policy = {
    "Version": "2012-10-17",
    "Statement": [
        {
            "Sid": "AllowSageMakerAccess",
            "Effect": "Allow",
            "Principal": {
                "Service": "sagemaker.amazonaws.com"
            },
            "Action": [
                "s3:GetObject",
                "s3:PutObject",
                "s3:DeleteObject",
                "s3:ListBucket"
            ],
            "Resource": [
                "arn:aws:s3:::your-bucket-name",
                "arn:aws:s3:::your-bucket-name/*"
            ]
        }
    ]
}

# 将访问策略附加到S3存储桶
s3_client = sagemaker_session.boto_session.client('s3')
s3_client.put_bucket_policy(Bucket=bucket, Policy=json.dumps(policy))

在上述示例中，我们首先获取当前执行角色，并使用它创建SageMaker会话。然后，我们指定一个S3存储桶名称，并检查存储桶是否存在。如果不存在，则创建存储桶。

接下来，我们定义了一个访问策略，该策略允许SageMaker服务访问我们指定的存储桶。最后，我们使用SageMaker的boto会话客户端将访问策略附加到存储桶。

通过执行上述代码示例，您应该能够解决AWS SageMaker无法适配SKLearn模型并出现访问被拒绝的问题。确保将代码示例中的"your-bucket-name"替换为您自己的S3存储桶名称。