我們總說“不要重復發明輪子”，python 中的第 3 方工具庫就是最好的例子。借助它們，我們可以用簡單的方式編寫復雜且耗時的代碼。在本篇內容中給大家整理了 7 個有用的 Python 庫，如果大家從事機器學習工作，一定要來一起了解一下。1.Prophet

Prophet是 Facebook 開源的時間序列預測工具庫，基于 Stan 框架，可以自動檢測時間序列中的趨勢、周期性和節假日效應，并根據這些信息進行預測。這個庫在 GitHub 上有超過 15k 星。

Prophet 通常用于預測未來幾個月、幾年或幾十年的時間序列數據，例如銷售額、市場份額等。它提供了 Python 和 R 兩個版本，可以跨平臺使用，支持 CPU 和 GPU 的并行運算。Prophet 的輸入數據格式要求是一個包含時間戳和目標值的數據框，并支持給定時間范圍、預測期限和寬限期等參數進行預測。Prophet 對缺失數據和趨勢變化很穩健，通?？梢院芎玫靥幚懋惓Ｖ?。

# Pythonforecast = m.predict(future)forecast[['ds', 'yhat', 'yhat_lower', 'yhat_upper']].tail()

2.Deep Lake

Deep Lake是一種數據集格式，提供簡單的 API 以用于創建、存儲和協作處理任何規模的 AI 數據集。這個庫在 GitHub 上有超過 5k 星。Deep Lake 的數據布局可以在大規模訓練模型的同時，實現數據的快速轉換和流式傳輸。谷歌、Waymo、紅十字會、牛津大學等都在使用 Deep Lake。

for epoch in range(2):    running_loss = 0.0    for i, data in enumerate(deeplake_loader):    images, labels = data['images'], data['labels']     # zero the parameter gradients    optimizer.zero_grad()     # forward + backward + optimize    outputs = net(images)    loss = criterion(outputs, labels.reshape(-1))    loss.backward()    optimizer.step()     # print statistics    running_loss += loss.item()    if i % 100 == 99: #print every 100 mini-batches        print('[%d, %5d] loss: %.3f' %        (epoch + 1, i + 1, running_loss / 100))        running_loss = 0.0

3.Optuna

Optuna 是一個自動機器學習超參數調優工具，可以幫助用戶通過使用各種規則自動調整機器學習模型的超參數，以提高模型的性能。這個庫在 GitHub 上擁有超過 7k 顆星。

Optuna 使用了貝葉斯優化算法來自動調整超參數，并使用基于樹的方法來探索參數空間。這使得 Optuna 能夠在訓練機器學習模型時自動進行超參數調整，從而提高模型的性能。Optuna 可以與各種機器學習框架集成使用，包括 TensorFlow、PyTorch、XGBoost 等。它還支持多種優化目標，包括最小化損失函數、最大化準確率等。總的來說，Optuna是一個強大的工具，可以幫助用戶提高機器學習模型的性能，提高模型的準確率。它的易用性和可擴展性使它成為機器學習工作流中的一個重要工具。

import ... # Define an objective function to be minimized.def objective(trial):     # Invoke suggest methods of a Trial object to generate hyperparameters     regressor_name = trial.suggest_categorical('regressor',['SVR', 'RandomForest'])    if regressor_name = 'SVR':        svr_c = trial.suggest_float('svr_c', 1e-10, 1e10, log=True)        regressor_obj = sklearn.svm.SVR(C=svr_c)    else:        rf_max_depth = trial.suggest_int('rf_max_depth', 2, 332)        regressor_obj = sklearn.ensemble.RandomForestRegressor(max_depth=rf_max_depth)     X, y = sklearn.datasets.fetch_california_housing(return_X_y=True)    X_train, X_val, y_train, y_val = sklearn.model_selection.train_test_split(X, y, random_state=0)     regressor_obj.fit(X_train, y_train) y_pred = regressor_obj.predict(X_val)     error = sklearn.metrics.mean_squared_error(y_val, y_pred)     return error # An objective value linked with the Trial object. study = optuna.create_study() # Create a neW studystudy.optimize(objective, n_trials=100) # Invoke opotimization of the objective function

4.pycm

pycm是一個用于計算二分類和多分類指標的 Python 庫。這個庫在 GitHub 上有超過 1k 星。

它可以計算多種常用的指標，包括準確率、召回率、F1值、混淆矩陣等。此外，pycm 還提供了一些額外的功能，例如可視化混淆矩陣、評估模型性能的指標來源差異等。pycm是一個非常實用的庫，可以幫助快速評估模型的性能。

from pycm import *y_actu = [2, 0, 2, 2, 0, 1, 1, 2, 2, 0, 1, 2] y_pred = [0, 0, 2, 1, 0, 2, 1, 0, 2, 2, 2, 2] cm = ConfusionMatrix(actual_vector=y_actu, predict_vector=y_pred) cm.classes cm.print_matrix()  cm.print_normalized_matrix()

5.NannyML

NannyML是一個開源的 Python 庫，允許估算部署后的模型性能（而無需訪問目標），檢測數據漂移，并智能地將數據漂移警報鏈接回模型性能的變化。這個庫在 GitHub 上有超過 1k 星。

為數據科學家設計的 NannyML 具有易于使用的交互式可視化界面，目前支持所有表格式的用例（tabular use cases）、分類（classification）和回歸（regression）。NannyML 的核心貢獻者研發了多種用于估算模型性能的新算法：基于信心的性能估算（CBPE）與直接損失估算（DLE）等。NannyML 通過構建“性能監控+部署后數據科學”的閉環，使數據科學家能夠快速理解并自動檢測靜默模型故障。通過使用 NannyML，數據科學家最終可以保持對他們部署的機器學習模型的完全可見性和信任。

import nannyml as nmlfrom IPython.display import display # Load synthetic data reference, analysis, analysis_target = nml.load_synthnetic_binary_classification_dataset()display(reference.head())display(analysis.head()) # Choose a chunker or set a chunk sizechunk size = 5000 # initialize, specify required data columns,, fit estimator and estimateestimator = nml.CBPE(    y_pred_proba='y_pred_proba',    y_pred='y_pred',    y_true='work_home_actual',    metrics=['roc_auc'],    chunk_size=chunk_size,    problem_type='classification_binary',)estimator = estimator.fit(reference)estimated_performance = estimator.estimate(analysis) # Show resultsfigure = estimated_performance.plot(kind='performance', metric='roc_auc', plot_reference=True)figure.show()

6.ColossalAI

ColossalAI是一個開源機器學習工具庫，用于構建和部署高質量的深度學習模型。這個庫在 GitHub 上有超過 6.5k 星。

ColossalAI 提供了一系列預定義的模型和模型基礎架構，可用于快速構建和訓練模型。它還提供了一系列工具，用于模型評估，調優和可視化，以確保模型的高質量和準確性。此外，ColossalAI 還支持部署模型，使其能夠通過各種不同的接口與其他系統集成。ColossalAI 的優勢在于它易于使用，可以為數據科學家和機器學習工程師提供快速和有效的方法來構建和部署高質量的大型模型。

from colossalai.logging import get_dist_loggerfrom colossalai.trainer import Trainer, hooks # build components and initialize with colossaalai.initialize... # create a logger so that trainer can log on thhe consolelogger = get_dist_logger() # create a trainer objecttrainer = Trainer(    engine=engine,    logger=logger)

7.emcee

emcee是一個開源的 Python 庫，用于使用 Markov chain Monte Carlo（MCMC）方法進行模型擬合和參數估計。這個庫在 GitHub 上有超過 1k 星。

emcee 是面向對象的，并且具有用于診斷和調試擬合過程的許多工具。它使用了一種叫做"決策樹結構鏈"的方法，可以并行化擬合過程，提高擬合效率。emcee 非常適合處理復雜的非線性模型，并且可以輕松擴展到大型數據集。它也可以輕松與其他 Python 庫集成，如 NumPy、SciPy和Matplotlib。

import numpy as npimport emcee def log_prob(x, ivar):    return -0.5 * np.sum(ivar * x ** 2)  ndim, nwalkers = 5, 100 ivar = 1./np.random.rand(ndim)p0 = np.random.randn(nwalkers, ndim) sampler = emcee.EnsembleSampler(nwalkers, ndim, log_prob, args=[ivar])sampler.run_mcmc(p0, 10000)

總結

以上就是給大家做的工具庫介紹，這7個工具庫都是非常有用的，對于機器學習工作者來說，它們可以大大提高工作效率，讓你能夠在簡單的方式下編寫復雜的代碼。所以，如果你還沒有了解這些工具庫的話，不妨花一點時間來了解一下。