Scikit-Learn

　　Scikit Learn是在CB Insights選用的Python機器學(xué)習(xí)工具。可以用它進行分類、特征選擇、特征提取和聚集。它擁有易用的一致性API，并提供了很多開箱可用的求值、診斷和交叉驗證方法。同時它底層使用Scipy數(shù)據(jù)結(jié)構(gòu)，與Python中其余使用Scipy、Numpy、Pandas和Matplotlib進行科學(xué)計算的部分適應(yīng)地很好。

　　Python機器學(xué)習(xí)

　　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圖表或接收者操作特征曲線，Matplotlib可以幫助進行快速可視化。考慮到花在清理和構(gòu)造數(shù)據(jù)的時間，使用這個庫會非常方便，因為它可以緊密集成到其他科學(xué)計算包上。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、tfidf算法、預(yù)處理。此外，如果你想快速對小數(shù)據(jù)集進行不同基準(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)用到真實世界中之前，你可以按照自己的目的來檢驗?zāi)Ｐ褪欠穹掀谕?shù)最優(yōu)化和參數(shù)調(diào)整，它也提供了網(wǎng)格搜索和隨機搜索。

　　Statsmodels

　　Statsmodels是另一個聚焦在統(tǒng)計模型上的強大的庫，主要用于預(yù)測性和探索性分析。如果你想擬合線性模型、進行統(tǒng)計分析或者預(yù)測性建模，那么Statsmodels非常適合。它提供的統(tǒng)計測試相當(dāng)全面，覆蓋了大部分情況的驗證任務(wù)。如果你是R或者S的用戶，它也提供了某些統(tǒng)計模型的R語法。它的模型同時也接受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。如果想進行貝葉斯分析，你應(yīng)該看看。

　　Shogun

　　Shogun是個聚焦在支持向量機上的機器學(xué)習(xí)工具箱，用C++編寫。它正處于積極開發(fā)和維護中，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，速度是個很大的優(yōu)勢。

　　Gensim

　　Gensim被定義為“人們的主題建模工具”。它的主頁上描述，其焦點是狄利克雷劃分及變體。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，并想進行聚集和基本的分類，你可以看看。

　　Orange

　　Orange對分類、聚集和特征選擇方法而言，它是相當(dāng)全面的，還有些交叉驗證的方法。在某些方面比Scikit-learn還要好，但與其他科學(xué)計算系統(tǒng)的適配上比不上Scikit-learn。但是，包含GUI是個很重要的優(yōu)勢。你可以可視化交叉驗證的結(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是另一個統(tǒng)計學(xué)習(xí)庫，API上與Scikit-learn很像。包含交叉驗證和診斷工具，但是沒有Scikit-learn全面。

　　Python培訓(xùn) Python機器學(xué)習(xí)，奇酷教育Python培訓(xùn)推出的Python+人工智能課程強化了算法和編程思想。