Python是最好的编程言语之一，在科学核算中用处广泛：核算机视觉、人工智能、数学、地理等。它相同适用于机器学习也是意料之中的事。
当然，它也有些缺陷;其间一个是东西和库过于涣散。假如你是具有unix思想(unix-minded)的人，你会觉得每个东西只做一件事并且把它做好是十分便利的。可是你也需求知道不同库和东西的优缺陷，这样在构建体系时才干做出合理的决议计划。东西自身不能改进体系或产品，可是运用正确的东西，咱们能够作业得更高效，生产率更高。因而了解正确的东西，对你的作业范畴是十分重要的。
这篇文章的意图便是罗列并描绘Python可用的最有用的机器学习东西和库。这个列表中，咱们不要求这些库是用Python写的，只需有Python接口就够了。咱们在最终也有一末节关于深度学习(Deep Learning)的内容，由于它最近也招引了适当多的重视。
咱们的意图不是列出Python中一切机器学习库(查找“机器学习”时Python包索引(PyPI)返回了139个成果)，而是列出咱们所知的有用并且保护杰出的那些。别的，虽然有些模块能够用于多种机器学习使命，咱们只列出首要焦点在机器学习的库。比方，虽然Scipy包括一些聚类算法，可是它的主焦点不是机器学习而是全面的科学核算东西集。因而咱们排除了Scipy(虽然咱们也运用它!)。
另一个需求说到的是，咱们相同会依据与其他科学核算库的集成作用来评价这些库，由于机器学习(有监督的或许无监督的)也是数据处理体系的一部分。假如你运用的库与数据处理体系其他的库不般配，你就要花许多时刻创立不同库之间的中心层。在东西会集有个很棒的库很重要，但这个库能与其他库杰出集成也相同重要。
假如你拿手其他言语，但也想运用Python包，咱们也简略地描绘怎么与Python进行集成来运用这篇文章列出的库。
Scikit-Learn
Scikit Learn是咱们在CB Insights选用的机器学习东西。咱们用它进行分类、特征挑选、特征提取和集合。咱们独爱的一点是它具有易用的一致性API，并供给了许多开箱可用的求值、确诊和穿插验证办法(是不是听起来很熟悉?Python也供给了“电池已备(译注：指开箱可用)”的办法)。如虎添翼的是它底层运用Scipy数据结构，与Python中其他运用Scipy、Numpy、Pandas和Matplotlib进行科学核算的部分习惯地很好。因而，假如你想可视化分类器的功用(比方，运用准确率与反应率(precision-recall)图表，或许接收者操作特征(Receiver Operating Characteristics，ROC)曲线)，Matplotlib能够协助进行快速可视化。考虑到花在整理和结构数据的时刻，运用这个库会十分便利，由于它能够严密集成到其他科学核算包上。
别的，它还包括有限的自然言语处理特征提取才能，以及词袋(bag of words)、tfidf(Term Frequency Inverse Document Frequency算法)、预处理(停用词/stop-words，自界说预处理，剖析器)。此外，假如你想快速对小数据集(toy dataset)进行不同基准测验的话，它自带的数据集模块供给了常见和有用的数据集。你还能够依据这些数据集创立自己的小数据集，这样在将模型应用到实在国际中之前，你能够依照自己的意图来查验模型是否契合希望。对参数最优化和参数调整，它也供给了网格查找和随机查找。假如没有强壮的社区支撑，或许保护得欠好，这些特性都不或许完成。咱们期盼它的第一个安稳发布版。
Statsmodels
Statsmodels是另一个集合在核算模型上的强壮的库，首要用于猜测性和探索性剖析。假如你想拟合线性模型、进行核算剖析，或许猜测性建模，那么Statsmodels十分合适。它供给的核算测验适当全面，覆盖了大部分状况的验证使命。假如你是R或许S的用户，它也供给了某些核算模型的R语法。它的模型一同也承受Numpy数组和Pandas数据帧，让中心数据结构成为曩昔!
PyMC
PyMC是做贝叶斯曲线的东西。它包括贝叶斯模型、核算散布和模型收敛的确诊东西，也包括一些层次模型。假如想进行贝叶斯剖析，你应该看看。
Shogun
Shogun是个集合在支撑向量机(Support Vector Machines, SVM)上的机器学习东西箱，用C++编写。它正处于活泼开发和保护中，供给了Python接口，也是文档化最好的接口。可是，相对于Scikit-learn，咱们发现它的API比较难用。并且，也没供给许多开箱可用的确诊和求值算法。可是，速度是个很大的优势。
Gensim
Gensim被界说为“人们的主题建模东西(topic modeling for humans)”。它的主页上描绘，其焦点是狄利克雷区分(Latent Dirichlet Allocation， LDA)及变体。不同于其他包，它支撑自然言语处理，能将NLP和其他机器学习算法更简单组合在一同。假如你的范畴在NLP，并想进行集合和根本的分类，你能够看看。现在，它们引入了Google的根据递归神经网络(Recurrent Neural Network)的文本表明法word2vec。这个库只运用Python编写。
Orange
Orange是这篇文章罗列的一切库中仅有带有图形用户界面(Graphical User Interface，GUI)的。对分类、集合和特征挑选办法而言，它是适当全面的，还有些穿插验证的办法。在某些方面比Scikit-learn还要好(分类办法、一些预处理才能)，但与其他科学核算体系(Numpy, Scipy, Matplotlib, Pandas)的适配上比不上Scikit-learn。
可是，包括GUI是个很重要的优势。你能够可视化穿插验证的成果、模型和特征挑选办法(某些功用需求装置Graphviz)。对大多数算法，Orange都有自己的数据结构，所以你需求将数据包装成Orange兼容的数据结构，这使得其学习曲线更陡。
PyMVPA
PyMVPA是另一个核算学习库，API上与Scikit-learn很像。包括穿插验证和确诊东西，可是没有Scikit-learn全面。
深度学习
虽然深度学习是机器学习的一个子节，咱们在这里创立独自一节的原因是，它最新招引了Google和Facebook人才招聘部分的许多留意。
Theano
Theano是最老练的深度学习库。它供给了不错的数据结构(张量，tensor)来表明神经网络的层，对线性代数来说很高效，与Numpy的数组相似。需求留意的是，它的API或许不是很直观，用户的学习曲线会很高。有许多根据Theano的库都在运用其数据结构。它一同支撑开箱可用的GPU编程。
PyLearn2
还有别的一个根据Theano的库，PyLearn2，它给Theano引入了模块化和可装备性，你能够经过不同的装备文件来创立神经网络，这样测验不同的参数会更简单。能够说，假如别离神经网络的参数和特点到装备文件，它的模块化才能更强壮。
Decaf
Decaf是最近由UC Berkeley发布的深度学习库，在Imagenet分类应战中测验发现，其神经网络完成是很先进的(state of art)。
Nolearn
假如你想在深度学习中也能运用优异的Scikit-learn库API，封装了Decaf的Nolearn会让你能够更轻松地运用它。它是对Decaf的包装，与Scikit-learn兼容(大部分)，使得Decaf更难以想象。
OverFeat
OverFeat是最近猫vs.狗(kaggle应战)的胜利者，它运用C++编写，也包括一个Python包装器(还有Matlab和Lua)。经过Torch库运用GPU，所以速度很快。也赢得了ImageNet分类的检测和本地化应战。假如你的范畴是核算机视觉，你或许需求看看。
Hebel
Hebel是另一个带有GPU支撑的神经网络库，开箱可用。你能够经过YAML文件(与Pylearn2相似)决议神经网络的特点，供给了将神级网络和代码友爱别离的方法，能够快速地运转模型。由于开发不久，就深度和广度上说，文档很匮乏。就神经网络模型来说，也是有限制的，由于只支撑一种神经网络模型(正向反应，feed-forward)。可是，它是用纯Python编写，将会是很友爱的库，由于包括许多有用函数，比方调度器和监视器，其他库中咱们并没有发现这些功用。
Neurolab
NeuroLab是另一个API友爱(与Matlabapi相似)的神经网络库。与其他库不同，它包括递归神经网络(Recurrent Neural Network，RNN)完成的不同变体。假如你想运用RNN，这个库是同类API中最好的挑选之一。
与其他言语集成
你不了解Python可是很拿手其他言语?不要失望!Python(还有其他)的一个强项便是它是一个完美的胶水言语，你能够运用自己常用的编程言语，经过Python来访问这些库。以下合适各种编程言语的包能够用于将其他言语与Python组合到一同：
R -> RPython
Matlab -> matpython
Java -> Jython
Lua -> Lunatic Python
Julia -> PyCall.jl
不活泼的库
这些库超越一年没有发布任何更新，咱们列出是由于你有或许会有用，可是这些库不太或许会进行BUG修正，特别是未来进行增强。
MDP
MlPy
FFnet
PyBrain
假如咱们遗漏了你独爱的Python机器学习包，经过谈论让咱们知道。咱们很愿意将其添加到文章中。
