KDnuggets 本月最受欢迎：5 个不容错过的机器学习项目

【新智元导读】受欢迎的机器学习项目很多，它们受欢迎的程度体现在在 GitHub 上获得的星数（Star）。新智元不久前介绍了 GitHub 上星数最多的16个深度学习应用项目，本文作者发掘了几个数据科学和机器学习被人错过的好项目。即使你不需要使用这些特定的工具，但检查它们的实现细节或项目的代码，可能带给你一些新的启发。

Hyperopt-sklearn

Star：219

GitHub地址：https://github.com/hyperopt/hyperopt-sklearn

Hyperopt-sklearn 是基于 Hyperopt 的模型，用于 scikit-learn 项目中的机器学习算法。项目文档里的介绍如下：

找到适用你的数据的正确分类器可能很难。选好分类器后，为了获得最佳结果而对所有参数进行微调也非常乏味而且耗时。而且有可能在你做完所有这些艰苦的工作后，才发现从一开始就选择了错误的分类器。Hyperopt-sklearn 为这些问题提供了解决方案。

Hyperopt-sklearn 使用多种搜索算法，可以搜索所有（支持的）分类器，或仅在给定分类器的参数空间内进行搜索，并且支持多种预处理步骤，如 PCA，TfidfVectorizer，Normalzier 和 OneHotEncoder。

那么它的效果如何？

下表是使用 scikit-learn 的默认参数运行分类器得到的F1分数，以及在20个新闻组数据集上的 hyperopt-sklearn 优化参数。hyperopt-sklearn 的结果来自25次评估的单次运行。

Hyperopt-sklearn 只需非常少的额外代码，并有一些方便的快速启动代码。

Dlib

Star：1281

GitHub地址：https://github.com/davisking/dlib

Dlib 是一个通用的工具包，用于使用C++进行机器学习和数据分析应用。它是用C++编写的，也有一个 Python API。

官网的介绍如下：

Dlib 是一个现代C++工具包，包含机器学习算法和工具，用于使用C++创建复杂的软件来解决现实问题。它在工业界和学术界的各领域都有广泛应用，包括机器人、嵌入式设备、移动电话和大型高性能计算环境。

文档达到标准，API也得到很好的解释，并且该项目带有简明的介绍。博客社区也很活跃，介绍了一些有趣的项目。Dlib 不是新的项目，它自2002年以来一直在发展。

NN++

Star：184

GitHub地址：https://github.com/stagadish/NNplusplus

NN++ 是一个 C++ 实现的轻量级、非常容易使用的神经网络，它无需安装，直接 #include 即可。

项目repo的介绍如下：

NN++是一个简短，自包含，易于使用的C++神经网络实现。它包括神经网络实现和一个用于基本线性代数运算的 Matrix class。这个项目主要是为学习目的而建，但在 MNIST 数据集的初步测试结果显示了不错的性能。

它的文档是稀疏的，但需要额外解释伴随的 Matrix class 的使用。GitHub库中的一些代码片段解释了如何设置和查询神经网络。这里的代码是最小限度的，所以想要了解简单的神经网络或从其他语言直接跳到用C++实现网络，这个项目是值得一看的。

LightGBM

Star：2362

GitHub地址：https://github.com/Microsoft/LightGBM

LightGBM 是微软的一个实现GBDT算法的框架，支持高效率的并行训练。官方repo的介绍如下：

一个基于决策树算法的快速、分布式、高性能的梯度提升（GBDT，GBRT，GBM 或 MART）框架，通常用于排序、分类等机器学习任务。它是微软的 DMTK（分布式机器学习工具包）下的一个项目。

LightGBM 用 C++ 和 Python 编写，提供了快速入门指南，并行学习指南以及功能的概述。

它的表现如何呢？

使用公共数据集的实验表明，LightGBM 在效率和准确度方面均优于其他现有的 boosting 框架，并且内存消耗也显著低于其他框架。此外，实验表明，LightGBM 能够通过在特定设置中使用多台机器进行训练来实现线性加速。

LightGBM 有许多功能，值得一试。

Sklearn-pandas

Star：763

GitHub地址：https://github.com/paulgb/sklearn-pandas

前面介绍的项目都是通用的机器学习工具包，或是特定算法的实现。这个项目有点不同，它在机器学习任务中发挥着支持性的作用。

Sklearn-pandas 是一个正在开发的模块，它的 GitHub 库介绍中写道，它“在 Scikit-Learn 的机器学习方法和 pandas 风格的数据框架之间架起了桥梁”。

具体来说，它规定了以下两点：

• 将 DataFrame 的列映射到变换的方法，这些变换以后会重新组合到特征中。
• 旧的 scikit-learn 版本的交叉验证 pineline 的兼容性垫片（compatibility shim），需要一个pandas DataFrame 作为输入。 这只需要 scikit-learn <0.16.0。这已被弃用，可能会在 skearn-pandas == 2.0 中被删除。

这里的真正用处是将列（columns）映射到变换（transformations）。下面是 GitHub 仓库的一个代码片段：

需要注意的是，前三列是 LabelBinarizer 的输出（分别对应_cat_，_dog_和_fish_），第四列是children 数量的标准值。通常情况下，columns 根据构建 DataFrameMapper 时给定的顺序进行排序。

原文地址：http://www.kdnuggets.com/2017/01/five-machine-learning-projects-cant-overlook-january.html