Python常用的机器学习库

Python在计算机的应用中主要用途普遍：机器视觉、人工智能技术、数学思维、天文学等。它一样适用人工神经网络也是预料之中的事。

这篇文章就例举并叙述Python的最有效的人工神经网络专用工具和库。这一目录中，我们不规定这种库是用Python写的，只需有Python插口就可以了。

大家的目地并不是列举Python中全部人工神经网络库(检索“人工神经网络”时Python包数据库索引(PyPI)回到了139个結果)，反而是列举大家了解的有效而且维护保养优良的这些。

此外，虽然有一些板块可以适用于多种多样人工神经网络每日任务，大家只列举关键聚焦点在人工神经网络的库。例如，尽管Scipy1包括一些聚类算法，可是它的焦点并不是人工神经网络反而是全方位的计算机的应用工具箱。因而大家清除了Scipy(虽然大家也应用它!)。

另一个必须提及的是，大家一样会依据与别的计算机的应用库的集成化实际效果来评定这种库，由于人工神经网络(有监管的或是无监管的)也是数据处理系统的一部分。假如你应用的库与数据处理系统别的的库不般配，你就需要花很多時间建立不一样库中间的内层。在专用工具集中化有一个非常好的库很重要，但这一库能与别的库优良集成化也一样关键。

假如你善于别的语言表达，但也想应用Python包，大家也简易地叙述怎样与Python开展集成化来应用这篇文章列举的库。

Scikit-Learn

Scikit Learn7是我们在CB Insights采用的人工神经网络专用工具。大家用它开展归类、特征选择、svm算法和集聚。

大家最喜欢的一点是它有着实用的一致性API，并给予了**许多**拆箱可以用的求值、确诊和交叉验证方式(是否听起来很了解?Python也保证了“充电电池已备(译注：指拆箱可以用)”的方式)。画龙点睛的是它最底层应用Scipy算法设计，与Python中其他应用Scipy、Numpy、Pandas和Matplotlib开展计算机的应用的一部分融入地非常好。

因而，假如你要交互支持向量机的特性(例如，应用精准率与意见反馈率(precision-recall)数据图表，或是接受者实际操作特点(Receiver Operating Characteristics，ROC)曲线图)，Matplotlib可以协助开展迅速交互。

充分考虑花在清除和结构数据信息的時间，应用这一库会十分便捷，因为它可以密切集成化到别的计算机的应用包上。

此外，它还包括比较有限的自然语言处理svm算法工作能力，及其词袋(bag of words)、tfidf(Term Frequency Inverse Document Frequency优化算法)、预备处理(停用词/stop-words，自定预备处理，解析器)。

除此之外，假如你要迅速对小数据(toy dataset)开展不一样标准检测得话，它内置的数据控制模块给予了普遍和实用的数据。你还是可以依据这种数据建立自身的小数据，那样在将实体模型运用到真实的世界中以前，你能根据自身的目标来检测实体模型是不是满足期待。对主要参数最优控制和主要参数调节，它也保证了网格搜索和随即检索。

要是没有强劲的小区适用，或是维护保养得不太好，这种特点都不太可能完成。大家盼望它的第一个平稳公布版。

Statsmodels

Statsmodels是另一个对焦在统计模型上的强悍的库，适用于预测性和探究性剖析。假如你要线性拟合线性模型、开展数据分析，或是预测性模型，那麼Statsmodels特别适合。它带来的统计分析检测非常全方位，遮盖了绝大多数状况的认证每日任务。

如果你是R或是S的客户，它也保证了一些统计模型的R英语的语法。它的实体模型与此同时也接纳Numpy二维数组和Pandas数据帧，让正中间算法设计变成以往!

PyMC

PyMC是做**贝叶斯算法曲线图**的专用工具。它包括贝叶斯模型、统计分析遍布和实体模型收敛性的确诊专用工具，也包括一些层次模型。假如想开展贝叶斯分析，你应该看一下。

Shogun

Shogun1是个对焦在svm算法(Support Vector Machines, SVM)上的人工神经网络辅助工具，用C 撰写。它正处在积极主动开发设计和维护保养中，给予了Python插口，也是文本文档化最好是的插口。可是，相对性于Scikit-learn，大家看到它的API较为难用。并且，也没给予许多拆箱可以用的诊治和求值优化算法。可是，速率是个较大的优点。

Gensim

Gensim被理解为“大家的主题风格建模软件(topic modeling for humans)”。它的首页上叙述，其聚焦点是狄利克雷区划(Latent Dirichlet Allocation， LDA)及组合。有别于别的包，它适用自然语言处理，能将NLP和别的机器学习算法更会组成在一起。

假如你的行业在NLP，并想开展集聚和基本上的归类，你能看一下。现阶段，他们引进了Google的根据递归法神经元网络(Recurrent Neural Network)的文字表达方式word2vec。这一库只应用Python撰写。

Orange

Orange是这篇文章例举的全部库文件唯一含有图形界面设计(Graphical User Interface，GUI)的。对归类、集聚和特征选择方式来讲，它是非常全方位的，还有一些交叉验证的方式。在一些层面比Scikit-learn还需要好(分类方法、一些预备处理工作能力)，但与别的计算机的应用系统软件(Numpy, Scipy, Matplotlib, Pandas)的兼容上不如Scikit-learn。

可是，包括GUI是个很重要的优点。你能交互交叉验证的結果、实体模型和特征选择方式(一些作用必须安裝Graphviz)。对大部分优化算法，Orange都是有自身的算法设计，因此你需要将数据信息包裝成Orange兼容的算法设计，这促使其学习曲线更陡。

PyMVPA

PyMVPA是另一个统计学习库，API上与Scikit-learn很像。包括交叉验证和确诊专用工具，可是沒有Scikit-learn全方位。

深度神经网络

虽然深度神经网络是人工神经网络的一个子节，大家在这儿建立独立一节的因素是，它全新吸引住了Google和Facebook职位招聘单位的许多留意。

Theano

Theano是最成熟稳重的机器学习库。它保证了很好的算法设计(偏微分，tensor)来表明神经元网络的层，对线性代数而言很高效率，与Numpy的二维数组相近。必须留意的是，它的API很有可能并不是很形象化，客户的学习曲线会很高。有很多根据Theano的库都是在运用其算法设计。它与此同时适用拆箱可以用的GPU程序编写。

PyLearn

也有此外一个根据Theano的库，PyLearn2，它给Theano引进了模块化设计和可配备性，你能根据不一样的环境变量来建立神经元网络，那样试着不一样的主要参数会更非常容易。可以说，假如分离出来神经元网络的主要参数和特性到环境变量，它的模块化设计工作能力更强劲。

Decaf

Decaf是近期由UC Berkeley公布的机器学习库，在Imagenet归类考验中检测发觉，其神经元网络完成是很领先的(state of art)。

Nolearn

假如你想要在深度神经网络中也能应用出色的Scikit-learn库API，封装形式了Decaf的Nolearn会使你可以更简单地应用它。它是对Decaf的包裝，与Scikit-learn兼容(绝大多数)，促使Decaf更难以置信。

OverFeat

OverFeat是近期猫vs.狗(kaggle考验)4的胜者，它应用C 撰写，也包括一个Python包裝器(也有Matlab和Lua)。根据Torch库应用GPU，因此速率迅速。也获得了ImageNet归类的监测和本地化翻译考验。假如你的方面是机器视觉，你很有可能必须看一下。

Hebel

Hebel是另一个含有GPU适用的神经元网络库，拆箱可以用。你能根据YAML文档(与Pylearn2相近)决策神经元网络的特性，给予了将极品互联网和编码友善分离出来的方法，可以迅速地运作实体模型。因为开发设计没多久，就深层和深度广度上说，文本文档很贫乏。就神经网络模型而言，也是有局限性的，由于只适用一种神经网络模型(正方向意见反馈，feed-forward)。

可是，它是用纯Python撰写，可能是很友善的库，由于包括许多好用函数公式，例如生产调度器和监控器，别的库文件大家并没看到这种作用。

Neurolab

NeuroLab是另一个API友善(与Matlabapi相近)的神经元网络库。与别的库不一样，它包括递归法神经元网络(Recurrent Neural Network，RNN)完成的不一样组合。假如你要应用RNN，这一库是类似API中最合适之一。

与别的语言表达集成化

你没掌握Python可是很善于别的语言表达?不必崩溃!Python(也有别的)的一个优势便是它是一个很好的强力胶语言表达，你能应用自身常见的计算机语言，根据Python来浏览这种库。下列合适各种各样计算机语言的包可以用以将别的语言表达与Python组成到一起：

R -> RPython

Matlab -> matpython

Java -> Jython

Lua -> Lunatic Python

Julia -> PyCall.jl

不活泼的库

这种库超出一年都没有公布一切升级，大家列举是由于您有很有可能会有效，可是这种库不大可能会开展BUG修补，尤其是将来开展提高。

MDP2MlPy

FFnet

PyBrain