前8个Python机器学习库

Python继续引领机器学习，人工智能，深度学习和数据科学任务。据builtwith.com称，45％的技术公司更喜欢使用Python来实现AI和机器学习。

因此，我们决定开始研究几个类别的顶级Python库：

八大Python机器学习库✅

Top X Python AI库 - 即将推出！

Top X Python深度学习库 - 即将推出！

Top X Python数据科学库 - 即将推出！

当然，这些列表完全是主观的，因为许多库可以轻松地放在多个类别中。例如，Keras包含在此列表中，但TensorFlow已被省略，而深度学习库集合中的功能则被替换。这是因为Keras更像是像SKLearn这样的“最终用户”库，而不是TensorFlow，后者更吸引研究人员和机器学习工程师类型。

与往常一样，请随时在下面的评论部分发泄您的挫折/分歧/烦恼！

GitHub贡献者，明星和提交者的8大Python机器学习库（圈子的大小）

现在，让我们到列表（GitHub的数字，因为10月3日的正确^次，2018）：

1. scikit-learn（贡献者 - 1175，提交 - 23301，Stars - 30867）

“scikit-learn是一个基于NumPy，SciPy和matplotlib的机器学习的Python模块。它为数据挖掘和数据分析提供了简单而有效的工具。SKLearn可供所有人使用，并可在各种环境中重复使用。

2. Keras（贡献者 - 726，提交 - 4818，明星 - 34066）

“Keras是一个高级神经网络API，用Python编写，能够在TensorFlow，  CNTK或  Theano之上运行  。它的开发重点是实现快速实验。 能够以最小的延迟从想法走向结果是进行良好研究的关键。“

3. XGBoost（贡献者 - 319，提交 - 3454，明星 - 13630）

“XGBoost是一款优化的分布式梯度增强库，旨在实现  高效，  灵活  和  便携。它在Gradient Boosting  框架下实现机器学习算法  。XGBoost提供了并行树提升（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。“

4. StatsModels（贡献者 - 162，提交 - 10837，星 - 3275）

“Statsmodels是一个Python包，为统计计算的scipy提供补充，包括描述性统计和统计模型的估计和推断。”

5. LightGBM（贡献者 - 91，提交 - 1272，明星 - 6736）

“基于决策树算法的快速，分布式，高性能梯度增强（GBDT，GBRT，GBM或MART）框架，用于排名，分类和许多其他机器学习任务。它属于微软DMTK（http://github.com/microsoft/dmtk）项目的保护范围。“

6. CatBoost（贡献者 - 77，提交 - 3304，星 - 3241）

“CatBoost是一种基于梯度提升  决策树的机器学习方法  。CatBoost的一些主要优点是：与其他GBDT库相比具有卓越的品质，一流的推理速度，支持数字和分类功能以及数据可视化工具。“

7. PyBrain（贡献者 - 32，提交 - 992，星 - 2598）

“PyBrain是一个用于Python的模块化机器学习库。它的目标是为机器学习任务和各种预定义环境提供灵活，易用且功能强大的算法，以测试和比较您的算法。“

8. Eli5（Contibutors - 6，Commits - 929，Stars - 932）

“ELI5是一个Python包，它有助于调试机器学习分类器并解释它们的预测。它支持以下框架和软件包：scikit-learn，XGBoost，LightGBM，lightning和sklearn-crfsuite。“