是不是机器学习的框架都偏向 Python ？如果是，为什么？ 第1页

Python 就像瑞士军刀，不但短小精悍，而且功能强大，许多疑难杂症的问题，使用Python都能快速解决。 相较于c/c++，python 的代码相对简洁非常多，代码生产效率远高于c/c++，因此能快速地从实验结果中进行迭代。举例来说，如果我要把一个csv档(my_csv_file.csv)，读入进代码内进行分析，使用python 只要两行代码就能完成。

再举例来说：

假设有个植物学家收集了三种鸢尾花的品种 setosa, versicolor, virginica 各若干朵，并测量了每朵鸢尾花的萼片长 (sepal length)、萼片宽 (sepal width)、花瓣长(petal length)、花瓣宽(petal width)。试问：假设我们看到了新的一朵鸢尾花，我们是否有办法利用 「萼片长、萼片宽 、花瓣长、花瓣宽」等资讯，来推测此朵鸢尾花是属于哪一个品种 (setosa, versicolor, virginica)?

这个问题，是非常典型的机器学习的问题，利用植物学家收集的训练资料进行学习后，对没见过的花朵进行预测。

在Python 里，只要写50行以内的代码，就能轻易地利用机器学习解决此问题。并把机器学习到的决策过程，进行图表视觉化的呈现。下面，简单的举几个例子，对于学习成果进行解释：（如下图所示）

• step1: 如果 petal length <= 2.45 公分 —> 则品种是 setosa

• step1, step2, step3, step4

1. step1 如果 petal length > 2.45 公分 —> step2

2. step2 如果 petal width <= 1.75 公分 —> step3

3. step3 如果 petal length <= 4.95 公分 —> step4

• step4 如果 petal width <= 1.65 公分 —> 则品种是 versicolor

• step4如果 petal width > 1.65 公分 —> 则品种是 virginica

由上述例子，从「资料的汇入」、「资料整理」、「机器学习」、到「视觉化呈现」四个步骤，在短短不到50行的Python 的代码就能完成。 由此，可以说明使用 Python 来进行机器学习的实验验证，是非常有效率，且能快速进行迭代。

Python 除了对传统的机器学习算法有完整的支持外，现在最新、最火的深度学习算法，也能在 Python 里找到相对应的资源。 深度学习框架的鼻祖 theano 在 2009-04-02 就已经进行了 v0.1版的 release，是由 Deep Leaning 大牛 Yoshua Bengio 带领 Montreal University 的成员进行开发。 其后，近年来随着深度学习越来越受重视，Google 在 2015-11-9 推出了 tensorflow 的深度学习框架，其开发团队有一大部分是来自于 theano 的开发团队。

综合以上，Python (1) 在资料处理上，有完整的支持套件 (2) 代码简洁、快速撰写 (3) 视觉化呈现工具完整 (4) 传统机器学习算法，有完善的支持 (5) 最新的深度学习算法，有完善的支持，且总是走在最新的发展潮流上。

结论：

- Python 就像瑞士军刀，不但短小精悍，而且功能强大

- Python 提升代码生产效率，因此能快速从实验结果中进行迭代

- Python 很擅长与不同语言进行整合，特別是 c/c++

- Python 有很强大的图表视觉化工具

- Python 支持许多机器学习算法，如：决策树、SVM (支持向量机)

- Python 支持许多深度学习框架，如： theano, tensorflow, caffe

本回答来自Emotibot数据科学家林志豪