12个Python机器学习和数据挖掘工具包肯定会让你受益很多代码块而不是花括号或关键字）。Python使开发人员能够用比C++或Java更少的代码表达想法。该语言试图使程序的结构清晰明确，无论是小型程序还是大型程序。今天我们介绍12个Python机器学习和数据挖掘工具包。1.PyBrain[PyBrain]是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、易用和强大的算法来测试和比较你的算法。PyBrain包含用于神经网络、强化学习（以及两者的组合）、无监督学习和进化的算法。由于当前大多数问题都涉及连续状态和动作空间，因此必须使用神经网络等函数逼近器来处理大维度。我们的库是围绕内核中的神经网络构建的，所有训练方法都接受神经网络作为训练实例。这使得PyBrain成为执行实际任务的强大工具。官方主页：http://www.pybrain.org/2。Theano[Theano]是一个Python库，可让您高效地定义、优化和评估涉及多维数组的数学表达式。Theano特性：与NumPy紧密集成——在Theano编译的函数中使用numpy.ndarray。透明地使用GPU-比CPU更快地执行数据密集型计算。高效的符号差异-Theano将您的导数用于具有一个或多个输入的函数。速度和稳定性优化——即使x很小，log(1+x)也能得到正确答案。动态C代码生成-更快地评估表达式。广泛的单元测试和自我验证-检测和诊断多种类型的错误。官方主页：http://deeplearning.net/software/theano/3。Pylearn2[Pylearn2]是一个基于Theano的机器学习库，其大部分功能都是基于Theano的顶层实现的。这意味着用户可以使用数学表达式编写Pylearn2插件（新模型、算法等），而Theano不仅会帮助用户优化这些表达式，还会将这些表达式编译到CPU或GPU中。官方主页：http://scikit-learn.org/代码主页：https://github.com/lisa-lab/pylearn24。Pyrallel[Pyrallel]Python中的并行数据分析，用于研究机器学习和其他半交互式数据分析任务的分布式计算模型的一个实验项目。代码主页：http://github.com/pydata/pyrallel5。PyMVPA[PyMVPA]是一个Python包，旨在简化大型数据集的统计学习分析。它为各种算法（如分类、回归、特征选择、数据导入和导出等）提供了一个具有高级接口的可扩展框架。它旨在与相关包（如scikit-learn、shogun、MDP等）很好地集成。虽然它不限于神经影像学领域，但它非常适合此类数据集。PyMVPA是免费软件，运行只需要免费软件。官方主页：http://www.pymvpa.org/6。Milk[Milk]是Python中的一个机器学习工具包，它专注于使用多个分类器进行监督分类：SVM（基于libsvm）、k-NN、随机森林、决策树。它还执行特征选择。这些分类器可以通过多种方式组合形成不同的分类系统。官方主页：http://www.luispedro.org/software/milk代码主页：https://github.com/luispedro/milk7。Monte[Monte]是一个Python框架，用于构建基于梯度的学习机，如神经网络、条件随机场、逻辑回归等。Monte包含模块（包含参数、成本函数和梯度函数）和训练器（可以调整通过最小化它们在训练数据上的成本函数来计算模块的参数。模块通常由其他模块组成，这些模块可以包含其他模块等。像这样的可分解系统的梯度可以通过反向传播来计算。官方主页：http://montepython.sourceforge.net/8.scikit-learn【scikit-learn】是Python编程语言的开源机器学习库，具有多种分类、回归和聚类算法，包括支持向量机、逻辑回归、朴素贝叶斯、随机森林、梯度提升、k-means和DBSCAN，旨在与Python数字和科学库NumPy和SciPy互操作。官方主页：http://scikit-learn.org/stable/代码主页：https://github.com/scikit-learn/scikit-learn9。pandas[pandas]是一个开源的、BSD许可的库，为Python编程语言提供高性能、易用的数据结构和数据分析工具。官方主页：http://pandas.pydata.org/代码主页：https://github.com/pandas-dev/pandas10。mlpy[mlpy]是一个基于NumPy/SciPy和GNUScientificLibraries的机器学习Python模块。mlpy为监督和非监督问题提供了广泛的最先进的机器学习方法，旨在在模块化、可维护性、可重复性、可用性和效率之间找到合理的折衷。mlpy是多平台的，它适用于Python2和3；它是开源的，在GNU通用公共许可证第3版下发布。官方主页：http://mlpy.sourceforge.net/11。MDP【MDP】是一个Python数据处理框架。从用户的角度来看，MDP是有监督和无监督学习算法和其他数据处理单元的集合，可以组合成数据处理序列和更复杂的前馈网络架构。从科学开发人员的角度来看，MDP是一个可以轻松扩展的模块化框架。新算法的实现简单直观。新实现的单元将自动与库的其余部分集成。可用算法的基础正在稳步增长，包括信号处理方法（主成分分析、独立成分分析、慢特征分析）、流形学习方法（[Hessian]局部线性嵌入）、多个分类器、概率方法（因子分析、RBM）、数据预处理方法等。官方主页：http://mdp-toolkit.sourceforge.net/12。PyML[PyML]是一个用Python编写的用于机器学习的交互式面向对象框架。PyML侧重于SVM和其他内核方法。它在Linux和MacOSX上均受支持。官方主页：http://pyml.sourceforge.net/
