锐客网

  1. 首页 > 睿知 > it技术 > >

python机器学习常用函数 python 机器学习( 二 )

IT技术学习


如果你擅长其他语言 ， 但也想使用Python包，我们也简单地描述如何与Python进行集成来使用这篇文章列出的库 。
Scikit-LearnScikit Learn是我们在CB Insights选用的机器学习工具 。我们用它进行分类、特征选择、特征提取和聚集 。我们最爱的一点是它拥有易用的一致性API，并提供了很多开箱可用的求值、诊断和交叉验证方法（是不是听起来很熟悉？Python也提供了“电池已备(译注：指开箱可用)”的方法） 。锦上添花的是它底层使用Scipy数据结构，与Python中其余使用Scipy、Numpy、Pandas和Matplotlib进行科学计算的部分适应地很好 。因此，如果你想可视化分类器的性能（比如 ， 使用精确率与反馈率(precision-recall)图表 ， 或者接收者操作特征(Receiver Operating Characteristics，ROC)曲线） ， Matplotlib可以帮助进行快速可视化 。考虑到花在清理和构造数据的时间 ， 使用这个库会非常方便，因为它可以紧密集成到其他科学计算包上 。
另外，它还包含有限的自然语言处理特征提取能力，以及词袋（bag of words）、tfidf（Term Frequency Inverse Document Frequency算法）、预处理（停用词/stop-words，自定义预处理，分析器） 。此外 ， 如果你想快速对小数据集（toy dataset）进行不同基准测试的话，它自带的数据集模块提供了常见和有用的数据集 。你还可以根据这些数据集创建自己的小数据集，这样在将模型应用到真实世界中之前，你可以按照自己的目的来检验模型是否符合期望 。对参数最优化和参数调整，它也提供了网格搜索和随机搜索 。如果没有强大的社区支持，或者维护得不好，这些特性都不可能实现 。我们期盼它的第一个稳定发布版 。
StatsmodelsStatsmodels是另一个聚焦在统计模型上的强大的库，主要用于预测性和探索性分析 。如果你想拟合线性模型、进行统计分析 ， 或者预测性建模 ， 那么Statsmodels非常适合 。它提供的统计测试相当全面 ， 覆盖了大部分情况的验证任务 。如果你是R或者S的用户，它也提供了某些统计模型的R语法 。它的模型同时也接受Numpy数组和Pandas数据帧，让中间数据结构成为过去！
PyMCPyMC是做贝叶斯曲线的工具 。它包含贝叶斯模型、统计分布和模型收敛的诊断工具，也包含一些层次模型 。如果想进行贝叶斯分析 ， 你应该看看 。
ShogunShogun是个聚焦在支持向量机（Support Vector Machines, SVM）上的机器学习工具箱，用C++编写 。它正处于积极开发和维护中，提供了Python接口 ， 也是文档化最好的接口 。但是，相对于Scikit-learn，我们发现它的API比较难用 。而且，也没提供很多开箱可用的诊断和求值算法 。但是，速度是个很大的优势 。
GensimGensim被定义为“人们的主题建模工具（topic modeling for humans）” 。它的主页上描述，其焦点是狄利克雷划分（Latent Dirichlet Allocation，LDA）及变体 。不同于其他包，它支持自然语言处理，能将NLP和其他机器学习算法更容易组合在一起 。如果你的领域在NLP ， 并想进行聚集和基本的分类，你可以看看 。目前，它们引入了Google的基于递归神经网络（Recurrent Neural Network）的文本表示法word2vec 。这个库只使用Python编写 。
OrangeOrange是这篇文章列举的所有库中唯一带有图形用户界面（Graphical User Interface ， GUI）的 。对分类、聚集和特征选择方法而言，它是相当全面的，还有些交叉验证的方法 。在某些方面比Scikit-learn还要好（分类方法、一些预处理能力），但与其他科学计算系统（Numpy, Scipy, Matplotlib, Pandas）的适配上比不上Scikit-learn 。但是，包含GUI是个很重要的优势 。你可以可视化交叉验证的结果、模型和特征选择方法（某些功能需要安装Graphviz） 。对大多数算法，Orange都有自己的数据结构，所以你需要将数据包装成Orange兼容的数据结构，这使得其学习曲线更陡 。

推荐阅读


上一篇：优学派平板电脑耳机怎么关，优学派平板电脑耳机怎么关掉

下一篇：html5导航字的间距，html5如何设置导航