机器学习【标准库和超参数】

机器学习【标准库和超参数】

1. python有哪些标准库

1. os - 提供与操作系统交互的功能，如文件和目录操作。
2. sys - 提供对Python解释器的访问和控制。
3. math - 提供数学运算功能，如数值计算、三角函数等。
4. datetime - 提供日期和时间的处理和操作。
5. random - 生成随机数和随机选择元素。
6. re - 提供正则表达式操作，用于模式匹配和文本处理。
7. json - 用于JSON（JavaScript Object Notation）数据的编码和解码。
8. urllib - 用于处理URL（Uniform Resource Locator）和进行网络请求。
9. sqlite3 - 提供对SQLite数据库的访问。
10. csv - 读取和写入CSV（Comma Separated Values）文件。
11. collections - 提供了额外的数据结构，如字典、队列等。
12. pickle - 用于序列化和反序列化Python对象。
13. gzip - 对gzip格式的文件进行压缩和解压缩。
14. tarfile - 对tar文件进行操作，如创建、提取等。
15. socket - 提供网络编程的接口，用于创建网络套接字和进行网络通信。
16. multiprocessing - 支持多进程编程。
17. threading - 支持多线程编程。
18. unittest - 提供单元测试框架。
19. email - 用于发送和接收电子邮件。
20. http - 提供HTTP协议相关的功能，如构建HTTP请求、处理HTTP响应等。

2. sklearn的kmeans的API中超参数

1. n_clusters：整数，指定要聚类成的簇的数量。默认值为8。
2. init：字符串或可调用对象，表示初始化簇中心的方法。可以选择"k-means++"、“random"或自定义的初始化方法。默认值为"k-means++”，使用改进的k-means++算法进行初始化。
3. n_init：整数，指定运行算法的次数，每次运行都使用不同的初始化。默认值为10。
4. max_iter：整数，指定算法的最大迭代次数。默认值为300。
5. tol：浮点数，指定算法的收敛阈值。当簇中心的变化小于该阈值时，算法停止迭代。默认值为1e-4。
6. random_state：整数或RandomState实例，用于控制随机数生成过程的种子。默认值为None。
7. algorithm：字符串，指定用于计算KMeans的算法。可以选择"auto"、“full"或"elkan”。默认值为"auto"，表示根据数据的特征数量和样本数量自动选择最适合的算法。
8. precompute_distances：布尔值，指定是否提前计算所有样本点之间的距离。可以加速算法，但对于大型数据集可能会消耗较多内存。默认值为"auto"，表示自动选择是否提前计算。

3.DBSCAN的超参数

1. eps：浮点数，代表邻域的半径大小。控制样本点是否属于同一个簇的一个关键参数。默认值为0.5。
2. min_samples：整数，定义一个核心点所需要的最小邻居样本数。如果一个样本点的邻域内的样本数大于等于min_samples，则该样本点被视为核心点。默认值为5。
3. metric：字符串或可调用对象，用于计算样本点之间的距离。可以使用预定义的距离度量，如"euclidean"（欧氏距离）或"manhattan"（曼哈顿距离），也可以传入自定义的距离度量函数。默认值为"euclidean"。
4. algorithm：字符串，指定用于计算DBSCAN的算法。可以选择"auto"、“ball_tree”、“kd_tree"或"brute”。默认值为"auto"，表示根据数据的特征数量和样本数量自动选择最适合的算法。
5. leaf_size：整数，指定BallTree或KDTree的叶子节点大小。影响构建树的速度和内存消耗。默认值为30。
6. p：整数，当metric为"Minkowski"时，指定距离度量的幂参数。默认值为2，表示使用欧氏距离。