Python語言下的機器學習庫

　　Python是最好的編程語言之一，在科學計算中用途廣泛：計算機視覺、人工智能、數(shù)學、天文等。它同樣適用于機器學習也是意料之中的事。

　　當然，它也有些缺點;其中一個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，這樣在構(gòu)建系統(tǒng)時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可用的最有用的機器學習工具和庫。這個列表中，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)關于深度學習(Deep Learning)的內(nèi)容，因為它最近也吸引了相當多的關注。

　　我們的目的不是列出Python中所有機器學習庫(搜索“機器學習”時Python包索引(PyPI)返回了139個結(jié)果)，而是列出我們所知的有用并且維護良好的那些。另外，盡管有些模塊可以用于多種機器學習任務，我們只列出主要焦點在機器學習的庫。比如，雖然Scipy包含一些聚類算法，但是它的主焦點不是機器學習而是全面的科學計算工具集。因此我們排除了Scipy(盡管我們也使用它!)。

　　另一個需要提到的是，我們同樣會根據(jù)與其他科學計算庫的集成效果來評估這些庫，因為機器學習(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，你就要花大量時間創(chuàng)建不同庫之間的中間層。在工具集中有個很棒的庫很重要，但這個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選用的機器學習工具。我們用它進行分類、特征選擇、特征提取和聚集。我們最愛的一點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進行科學計算的部分適應地很好。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 Characteristics，ROC)曲線)，Matplotlib可以幫助進行快速可視化?？紤]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(bag of words)、tfidf(Term Frequency Inverse Document Frequency算法)、預處理(停用詞/stop-words，自定義預處理，分析器)。此外，如果你想快速對小數(shù)據(jù)集(toy dataset)進行不同基準測試的話，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，這樣在將模型應用到真實世界中之前，你可以按照自己的目的來檢驗模型是否符合期望。對參數(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。如果沒有強大的社區(qū)支持，或者維護得不好，這些特性都不可能實現(xiàn)。我們期盼它的第一個穩(wěn)定發(fā)布版。

　　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，或者預測性建模，那么Statsmodels非常適合。它提供的統(tǒng)計測試相當全面，覆蓋了大部分情況的驗證任務。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，你應該看看。

　　Shogun

　　Shogun是個聚焦在支持向量機(Support Vector Machines, SVM)上的機器學習工具箱，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(topic modeling for humans)”。它的主頁上描述，其焦點是狄利克雷劃分(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和其他機器學習算法更容易組合在一起。如果你的領域在NLP，并想進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(Recurrent Neural Network)的文本表示法word2vec。這個庫只使用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，它是相當全面的，還有些交叉驗證的方法。在某些方面比Scikit-learn還要好(分類方法、一些預處理能力)，但與其他科學計算系統(tǒng)(Numpy, Scipy, Matplotlib, Pandas)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)，這使得其學習曲線更陡。

　　PyMVPA

　　PyMVPA是另一個統(tǒng)計學習庫，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。

　　深度學習

　　盡管深度學習是機器學習的一個子節(jié)，我們在這里創(chuàng)建單獨一節(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是最成熟的深度學習庫。它提供了不錯的數(shù)據(jù)結(jié)構(gòu)(張量，tensor)來表示神經(jīng)網(wǎng)絡的層，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，用戶的學習曲線會很高。有很多基于Theano的庫都在利用其數(shù)據(jù)結(jié)構(gòu)。它同時支持開箱可用的GPU編程。

　　PyLearn2

　　還有另外一個基于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，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)絡的參數(shù)和屬性到配置文件，它的模塊化能力更強大。

　　Decaf

　　Decaf是最近由UC Berkeley發(fā)布的深度學習庫，在Imagenet分類挑戰(zhàn)中測試發(fā)現(xiàn)，其神經(jīng)網(wǎng)絡實現(xiàn)是很先進的(state of art)。

　　Nolearn

　　如果你想在深度學習中也能使用優(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)。如果你的領域是計算機視覺，你可能需要看看。

　　Hebel

　　Hebel是另一個帶有GPU支持的神經(jīng)網(wǎng)絡庫，開箱可用。你可以通過YAML文件(與Pylearn2類似)決定神經(jīng)網(wǎng)絡的屬性，提供了將神級網(wǎng)絡和代碼友好分離的方式，可以快速地運行模型。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)絡模型來說，也是有局限的，因為只支持一種神經(jīng)網(wǎng)絡模型(正向反饋，feed-forward)。但是，它是用純Python編寫，將會是很友好的庫，因為包含很多實用函數(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API友好(與Matlabapi類似)的神經(jīng)網(wǎng)絡庫。與其他庫不同，它包含遞歸神經(jīng)網(wǎng)絡(Recurrent Neural Network，RNN)實現(xiàn)的不同變體。如果你想使用RNN，這個庫是同類API中最好的選擇之一。

　　與其他語言集成

　　你不了解Python但是很擅長其他語言?不要絕望!Python(還有其他)的一個強項就是它是一個完美的膠水語言，你可以使用自己常用的編程語言，通過Python來訪問這些庫。以下適合各種編程語言的包可以用于將其他語言與Python組合到一起：

　　R -> RPython

　　Matlab -> matpython

　　Java -> Jython

　　Lua -> Lunatic Python

　　Julia -> PyCall.jl

　　不活躍的庫

　　這些庫超過一年沒有發(fā)布任何更新，我們列出是因為你有可能會有用，但是這些庫不太可能會進行BUG修復，特別是未來進行增強。

　　MDP

　　MlPy

　　FFnet

　　PyBrain

　　如果我們遺漏了你最愛的Python機器學習包，通過評論讓我們知道。我們很樂意將其添加到文章中。