整理了 47 个 Python 人工智能库(1)

机器学习

//  5.Scikit-Learn 库

官网：

https://scikit-learn.org.cn/

特点：

Scikit-learn（以前称为scikits.learn，也称为sklearn）是针对 Python 编程语言的免费软件机器学习库。它具有各种分类，回归和聚类算法，包括支持向量机，随机森林，梯度提升，k均值和DBSCAN，并且旨在与 Python 数值科学库 NumPy 和 SciPy 联合使用。

//  6.XGBoost 库

官网：

https://xgboost.ai/

特点：

XGBoost是一个优化的分布式梯度增强库，旨在实现高效，灵活和便携。它在 Boosting框架下实现机器学习算法。XGBoost提供并行树提升（也称为GBDT，GBM），可以快速准确地解决许多数据科学问题。相同的代码在主要的分布式环境（Hadoop，SGE，MPI）上运行，并且可以解决数十亿个示例之外的问题。

//  7.LightGBM 库

官网：

https://lightgbm.readthedocs.io

特点：

LightGBM（Light Gradient Boosting Machine） 是微软开源的一个实现 GBDT 算法的框架，支持高效率的并行训练。LightGBM 提出的主要原因是为了解决 GBDT 在海量数据遇到的问题，让 GBDT 可以更好更快地用于工业实践。其具有以下优点：更快的训练速度、更低的内存消耗、更好的准确率、分布式支持，可以快速处理海量数据。

//  8.CatBoost 库

官网：

https://catboost.ai/

特点：

CatBoost 是由 Yandex 的研究人员和工程师开发的基于梯度提升决策树的机器学习方法，现已开源。CatBoost 在 Yandex 公司内广泛使用，用于排列任务、预测和提出建议。CatBoost 是通用的，可应用于广泛的领域和各种各样的问题。

//  9.Eli5 库

官网：

https://eli5.readthedocs.io

特点：

ELI5 是一个 Python 库，允许使用统一API可视化地调试各种机器学习模型。它内置了对多个ML框架的支持，并提供了一种解释黑盒模型的方法。它有助于调试机器学习分类器并解释它们的预测。

//  10.Theano 库

官网：

https://pypi.org/project/Theano/

特点：

Theano 是一个 Python 库，专门用于定义、优化、求值数学表达式，效率高，适用于多维数组。特别适合做机器学习。一般来说，使用时需要安装 Python 和 Numpy 。

//11.PyBrain库

官网：

https://github.com/pybrain/pybrain/

特点：

PyBrain的概念是将一系列的数据处理的算法封装到被称之为Module的模块中。一个最小的Module通常包含基于机器学习算法的可调整的参数集合。

//12.Shogun库

官网：

https://github.com/