python在科学计算中用途广泛：计算机视觉、人工智能、数学、天文等。它同样适用于机器学习也是意料之中的事。
这篇文章就列举并描述python的最有用的机器学习工具和库。这个列表中，我们不要求这些库是用python写的，只要有python接口就够了。
我们的目的不是列出python中所有机器学习库(搜索“机器学习”时python包索引(pypi)返回了139个结果)，而是列出我们所知的有用并且维护良好的那些。
另外，尽管有些模块可以用于多种机器学习任务，我们只列出主要焦点在机器学习的库。比如，虽然scipy1包含一些聚类算法，但是它的主焦点不是机器学习而是全面的科学计算工具集。因此我们排除了scipy(尽管我们也使用它!)。
另一个需要提到的是，我们同样会根据与其他科学计算库的集成效果来评估这些库，因为机器学习(有监督的或者无监督的)也是数据处理系统的一部分。如果你使用的库与数据处理系统其他的库不相配，你就要花大量时间创建不同库之间的中间层。在工具集中有个很棒的库很重要，但这个库能与其他库良好集成也同样重要。
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-learn
scikit learn7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。
statsmodels
statsmodels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!
pymc
pymc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。
shogun
shogun1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。
gensim
gensim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。
orange
orange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。
pymvpa
pymvpa是另一个统计学习库，api上与scikit-learn很像。包含交叉验证和诊断工具，但是没有scikit-learn全面。
深度学习
尽管深度学习是机器学习的一个子节，我们在这里创建单独一节的原因是，它最新吸引了google和facebook人才招聘部门的很多注意。
theano
theano是最成熟的深度学习库。它提供了不错的数据结构(张量，tensor)来表示神经网络的层，对线性代数来说很高效，与numpy的数组类似。需要注意的是，它的api可能不是很直观，用户的学习曲线会很高。有很多基于theano的库都在利用其数据结构。它同时支持开箱可用的gpu编程。
pylearn
还有另外一个基于theano的库，pylearn2，它给theano引入了模块化和可配置性，你可以通过不同的配置文件来创建神经网络，这样尝试不同的参数会更容易。可以说，如果分离神经网络的参数和属性到配置文件，它的模块化能力更强大。
decaf
decaf是最近由uc berkeley发布的深度学习库，在imagenet分类挑战中测试发现，其神经网络实现是很先进的(state of art)。
nolearn
如果你想在深度学习中也能使用优秀的scikit-learn库api，封装了decaf的nolearn会让你能够更轻松地使用它。它是对decaf的包装，与scikit-learn兼容(大部分)，使得decaf更不可思议。
overfeat
overfeat是最近猫vs.狗(kaggle挑战)4的胜利者，它使用c++编写，也包含一个python包装器(还有matlab和lua)。通过torch库使用gpu，所以速度很快。也赢得了imagenet分类的检测和本地化挑战。如果你的领域是计算机视觉，你可能需要看看。
hebel
hebel是另一个带有gpu支持的神经网络库，开箱可用。你可以通过yaml文件(与pylearn2类似)决定神经网络的属性，提供了将神级网络和代码友好分离的方式，可以快速地运行模型。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，也是有局限的，因为只支持一种神经网络模型(正向反馈，feed-forward)。
但是，它是用纯python编写，将会是很友好的库，因为包含很多实用函数，比如调度器和监视器，其他库中我们并没有发现这些功能。
neurolab
neurolab是另一个api友好(与matlabapi类似)的神经网络库。与其他库不同，它包含递归神经网络(recurrent neural network，rnn)实现的不同变体。如果你想使用rnn，这个库是同类api中最好的选择之一。
与其他语言集成
你不了解python但是很擅长其他语言?不要绝望!python(还有其他)的一个强项就是它是一个完美的胶水语言，你可以使用自己常用的编程语言，通过python来访问这些库。以下适合各种编程语言的包可以用于将其他语言与python组合到一起：
r -> rpython
matlab -> matpython
java -> jython
lua -> lunatic python
julia -> pycall.jl
不活跃的库
这些库超过一年没有发布任何更新，我们列出是因为你有可能会有用，但是这些库不太可能会进行bug修复，特别是未来进行增强。
mdp2mlpy
ffnet
pybrain
以上就是解析python常用的机器学习库的详细内容，更多请关注 第一php社区 其它相关文章！