基于python語言下的的機(jī)器學(xué)習(xí)庫

　　概述

　　Python是最好的編程語言之一，在科學(xué)計(jì)算中用途廣泛：計(jì)算機(jī)視覺、人工智能、數(shù)學(xué)、天文等。它同樣適用于機(jī)器學(xué)習(xí)也是意料之中的事。

　　當(dāng)然，它也有些缺點(diǎn)；其中一個(gè)是工具和庫過于分散。如果你是擁有unix思維（unix-minded）的人，你會覺得每個(gè)工具只做一件事并且把它做好是非常方便的。但是你也需要知道不同庫和工具的優(yōu)缺點(diǎn)，這樣在構(gòu)建系統(tǒng)時(shí)才能做出合理的決策。工具本身不能改善系統(tǒng)或產(chǎn)品，但是使用正確的工具，我們可以工作得更高效，生產(chǎn)率更高。因此了解正確的工具，對你的工作領(lǐng)域是非常重要的。

　　這篇文章的目的就是列舉并描述Python可用的最有用的機(jī)器學(xué)習(xí)工具和庫。這個(gè)列表中，我們不要求這些庫是用Python寫的，只要有Python接口就夠了。我們在最后也有一小節(jié)關(guān)于深度學(xué)習(xí)（Deep Learning）的內(nèi)容，因?yàn)樗罱参讼喈?dāng)多的關(guān)注。這也僅僅是拋磚引玉，希望大家能提供更多的線索，來匯總整理一套Python網(wǎng)頁爬蟲，文本處理，科學(xué)計(jì)算，機(jī)器學(xué)習(xí)和數(shù)據(jù)挖掘的兵器譜。

　　我們的目的不是列出Python中所有機(jī)器學(xué)習(xí)庫（搜索“機(jī)器學(xué)習(xí)”時(shí)Python包索引（PyPI）返回了139個(gè)結(jié)果），而是列出我們所知的有用并且維護(hù)良好的那些。另外，盡管有些模塊可以用于多種機(jī)器學(xué)習(xí)任務(wù)，我們只列出主要焦點(diǎn)在機(jī)器學(xué)習(xí)的庫。比如，雖然Scipy包含一些聚類算法，但是它的主焦點(diǎn)不是機(jī)器學(xué)習(xí)而是全面的科學(xué)計(jì)算工具集。因此我們排除了Scipy（盡管我們也使用它?。?。

　　另一個(gè)需要提到的是，我們同樣會根據(jù)與其他科學(xué)計(jì)算庫的集成效果來評估這些庫，因?yàn)闄C(jī)器學(xué)習(xí)（有監(jiān)督的或者無監(jiān)督的）也是數(shù)據(jù)處理系統(tǒng)的一部分。如果你使用的庫與數(shù)據(jù)處理系統(tǒng)其他的庫不相配，你就要花大量時(shí)間創(chuàng)建不同庫之間的中間層。在工具集中有個(gè)很棒的庫很重要，但這個(gè)庫能與其他庫良好集成也同樣重要。

　　如果你擅長其他語言，但也想使用Python包，我們也簡單地描述如何與Python進(jìn)行集成來使用這篇文章列出的庫。

　　Scikit-Learn

　　Scikit Learn是我們在CB Insights選用的機(jī)器學(xué)習(xí)工具。我們用它進(jìn)行分類、特征選擇、特征提取和聚集。我們最愛的一點(diǎn)是它擁有易用的一致性API，并提供了很多開箱可用的求值、診斷和交叉驗(yàn)證方法（是不是聽起來很熟悉？Python也提供了“電池已備（譯注：指開箱可用）”的方法）。錦上添花的是它底層使用Scipy數(shù)據(jù)結(jié)構(gòu)，與Python中其余使用Scipy、Numpy、Pandas和Matplotlib進(jìn)行科學(xué)計(jì)算的部分適應(yīng)地很好。因此，如果你想可視化分類器的性能（比如，使用精確率與反饋率（precision-recall）圖表，或者接收者操作特征（Receiver Operating Charac teristics，ROC）曲線），Matplotlib可以幫助進(jìn)行快速可視化。考慮到花在清理和構(gòu)造數(shù)據(jù)的時(shí)間，使用這個(gè)庫會非常方便，因?yàn)樗梢跃o密集成到其他科學(xué)計(jì)算包上。

　　另外，它還包含有限的自然語言處理特征提取能力，以及詞袋（bag of words）、tfidf（Term Frequency Inverse Document Frequency算法）、預(yù)處理（停用詞/stop-words，自定義預(yù)處理，分析器）。此外，如果你想快速對小數(shù)據(jù)集（toy dataset）進(jìn)行不同基準(zhǔn)測試的話，它自帶的數(shù)據(jù)集模塊提供了常見和有用的數(shù)據(jù)集。你還可以根據(jù)這些數(shù)據(jù)集創(chuàng)建自己的小數(shù)據(jù)集，這樣在將模型應(yīng)用到真實(shí)世界中之前，你可以按照自己的目的來檢驗(yàn)?zāi)Ｐ褪欠穹掀谕?。對參?shù)最優(yōu)化和參數(shù)調(diào)整，它也提供了網(wǎng)格搜索和隨機(jī)搜索。如果沒有強(qiáng)大的社區(qū)支持，或者維護(hù)得不好，這些特性都不可能實(shí)現(xiàn)。我們期盼它的第一個(gè)穩(wěn)定發(fā)布版。

　　Statsmodels

　　Statsmodels是另一個(gè)聚焦在統(tǒng)計(jì)模型上的強(qiáng)大的庫，主要用于預(yù)測性和探索性分析。如果你想擬合線性模型、進(jìn)行統(tǒng)計(jì)分析，或者預(yù)測性建模，那么Statsmodels非常適合。它提供的統(tǒng)計(jì)測試相當(dāng)全面，覆蓋了大部分情況的驗(yàn)證任務(wù)。如果你是R或者S的用戶，它也提供了某些統(tǒng)計(jì)模型的R語法。它的模型同時(shí)也接受Numpy數(shù)組和Pandas數(shù)據(jù)幀，讓中間數(shù)據(jù)結(jié)構(gòu)成為過去！

　　PyMC

　　PyMC是做貝葉斯曲線的工具。它包含貝葉斯模型、統(tǒng)計(jì)分布和模型收斂的診斷工具，也包含一些層次模型。如果想進(jìn)行貝葉斯分析，你應(yīng)該看看。

　　Shogun

　　Shogun是個(gè)聚焦在支持向量機(jī)（Support Vector Machines， SVM）上的機(jī)器學(xué)習(xí)工具箱，用C++編寫。它正處于積極開發(fā)和維護(hù)中，提供了Python接口，也是文檔化最好的接口。但是，相對于Scikit-learn，我們發(fā)現(xiàn)它的API比較難用。而且，也沒提供很多開箱可用的診斷和求值算法。但是，速度是個(gè)很大的優(yōu)勢。

　　Gensim

　　Gensim被定義為“人們的主題建模工具（topic modeling for humans）”。它的主頁上描述，其焦點(diǎn)是狄利克雷劃分（Latent Dirichlet Allocation， LDA）及變體。不同于其他包，它支持自然語言處理，能將NLP和其他機(jī)器學(xué)習(xí)算法更容易組合在一起。如果你的領(lǐng)域在NLP，并想進(jìn)行聚集和基本的分類，你可以看看。目前，它們引入了Google的基于遞歸神經(jīng)網(wǎng)絡(luò)（Recurrent Neural Network）的文本表示法word2vec。這個(gè)庫只使用Python編寫。

　　Orange

　　Orange是這篇文章列舉的所有庫中唯一帶有圖形用戶界面（Graphical User Interface，GUI）的。對分類、聚集和特征選擇方法而言，它是相當(dāng)全面的，還有些交叉驗(yàn)證的方法。在某些方面比Scikit-learn還要好（分類方法、一些預(yù)處理能力），但與其他科學(xué)計(jì)算系統(tǒng)（Numpy， Scipy， Matplotlib， Pandas）的適配上比不上Scikit-learn。

　　但是，包含GUI是個(gè)很重要的優(yōu)勢。你可以可視化交叉驗(yàn)證的結(jié)果、模型和特征選擇方法（某些功能需要安裝Graphviz）。對大多數(shù)算法，Orange都有自己的數(shù)據(jù)結(jié)構(gòu)，所以你需要將數(shù)據(jù)包裝成Orange兼容的數(shù)據(jù)結(jié)構(gòu)，這使得其學(xué)習(xí)曲線更陡。

　　PyMVPA

　　PyMVPA是另一個(gè)統(tǒng)計(jì)學(xué)習(xí)庫，API上與Scikit-learn很像。包含交叉驗(yàn)證和診斷工具，但是沒有Scikit-learn全面。

　　深度學(xué)習(xí)

　　盡管深度學(xué)習(xí)是機(jī)器學(xué)習(xí)的一個(gè)子節(jié)，我們在這里創(chuàng)建單獨(dú)一節(jié)的原因是，它最新吸引了Google和Facebook人才招聘部門的很多注意。

　　Theano

　　Theano是最成熟的深度學(xué)習(xí)庫。它提供了不錯(cuò)的數(shù)據(jù)結(jié)構(gòu)（張量，tensor）來表示神經(jīng)網(wǎng)絡(luò)的層，對線性代數(shù)來說很高效，與Numpy的數(shù)組類似。需要注意的是，它的API可能不是很直觀，用戶的學(xué)習(xí)曲線會很高。有很多基于Theano的庫都在利用其數(shù)據(jù)結(jié)構(gòu)。它同時(shí)支持開箱可用的GPU編程。

　　PyLearn2

　　還有另外一個(gè)基于Theano的庫，PyLearn2，它給Theano引入了模塊化和可配置性，你可以通過不同的配置文件來創(chuàng)建神經(jīng)網(wǎng)絡(luò)，這樣嘗試不同的參數(shù)會更容易?？梢哉f，如果分離神經(jīng)網(wǎng)絡(luò)的參數(shù)和屬性到配置文件，它的模塊化能力更強(qiáng)大。

　　Decaf

　　Decaf是最近由UC Berkeley發(fā)布的深度學(xué)習(xí)庫，在Imagenet分類挑戰(zhàn)中測試發(fā)現(xiàn)，其神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)是很先進(jìn)的（state of art）。

　　Nolearn

　　如果你想在深度學(xué)習(xí)中也能使用優(yōu)秀的Scikit-learn庫API，封裝了Decaf的Nolearn會讓你能夠更輕松地使用它。它是對Decaf的包裝，與Scikit-learn兼容（大部分），使得Decaf更不可思議。

　　OverFeat

　　OverFeat是最近貓vs.狗（kaggle挑戰(zhàn)）的勝利者，它使用C++編寫，也包含一個(gè)Python包裝器（還有Matlab和Lua）。通過Torch庫使用GPU，所以速度很快。也贏得了ImageNet分類的檢測和本地化挑戰(zhàn)。如果你的領(lǐng)域是計(jì)算機(jī)視覺，你可能需要看看。

　　Hebel

　　Hebel是另一個(gè)帶有GPU支持的神經(jīng)網(wǎng)絡(luò)庫，開箱可用。你可以通過YAML文件（與Pylearn2類似）決定神經(jīng)網(wǎng)絡(luò)的屬性，提供了將神級網(wǎng)絡(luò)和代碼友好分離的方式，可以快速地運(yùn)行模型。由于開發(fā)不久，就深度和廣度上說，文檔很匱乏。就神經(jīng)網(wǎng)絡(luò)模型來說，也是有局限的，因?yàn)橹恢С忠环N神經(jīng)網(wǎng)絡(luò)模型（正向反饋，feed-forward）。但是，它是用純Python編寫，將會是很友好的庫，因?yàn)榘芏鄬?shí)用函數(shù)，比如調(diào)度器和監(jiān)視器，其他庫中我們并沒有發(fā)現(xiàn)這些功能。

　　Neurolab

　　NeuroLab是另一個(gè)API友好（與Matlabapi類似）的神經(jīng)網(wǎng)絡(luò)庫。與其他庫不同，它包含遞歸神經(jīng)網(wǎng)絡(luò)（Recurrent Neural Network，RNN）實(shí)現(xiàn)的不同變體。如果你想使用RNN，這個(gè)庫是同類API中最好的選擇之一。