不论我们用的是什么编程语言，使用正确的工具，我们可以工作得更高效，生产率更高。因此了解正确的工具，在我们的工作领域是很重要的。对于Python语言来说，Python可用的有用的Python机器学习工具和库。其中包括：

　　Scikit-Learn

　　Scikit Learn是在CB Insights选用的Python机器学习工具。可以用它进行分类、特征选择、特征提取和聚集。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。同时它底层使用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图表或接收者操作特征曲线，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、tfidf算法、预处理。此外，如果你想快速对小数据集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。对参数化和参数调整，它也提供了网格搜索和随机搜索。

　　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

　　Shogun是个聚焦在支持向量机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。

　　Orange

　　Orange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，但与其他科学计算系统的适配上比不上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。

　　清楚Python机器学习库有哪些，该怎么学习呢？粤嵌Python培训推出的人工智能+Python课程强化了算法和编程思想，进一步优化了使用Python高效进行web全栈开发的内容。