나는 매일 NumPy와 R을 사용합니다.
숫자가 많은 경우, NumPy에서 R까지 큰 여백 ('R'패키지 'Matrix'포함)을 선호합니다. 구문 정리 도구가 더 커지고 계산 속도가 빨라집니다. R은 어떤 방법 으로든 천천히). 예를 들어, NumPy의 방송 기능은 R에 아날로그가 있다고 생각하지 않습니다.
예를 들어 csv 파일에서 데이터 세트를 읽고 ML 알고리즘 (예 : 평균 센터 또한
data = NP.loadtxt(data1, delimiter=",") # 'data' is a NumPy array
data -= NP.mean(data, axis=0)
data /= NP.max(data, axis=0)
내가 ML 알고리즘을 부호화 할 때, I 선형 대수 나 소자 와이즈에서 작동 할 수 있으며이 또한 이해 데이터 구조가 필요하다고 발견 (예를 들어, 행렬 곱셈 각 치수) 스케일 재 단이 필요 , 전치 등). NumPy는이를 가져오고 이러한 하이브리드 구조를 쉽게 만들 수 있습니다 (연산자 오버로드 또는 서브 클래 싱 등 없음).
당신은 NumPy/SciPy에 실망하지 않을 것입니다. 아마도 놀랄 것입니다.
그래서, 몇 가지 권장 사항 - 일반적으로 특히, 귀하의 질문에 사실을 주어진 :
는 NumPy와와 Scipy를 모두 설치합니다. 대략적인 기준으로, NumPy와는와 ( NumPy와보다 실제로 여러번 크다) SciPy (특히 ndarray 단위) 코어 데이터 구조를 제공하고이 특정 영역 기능을 제공한다 (예를 들어, 통계, 신호 처리, 통합).
dev 버전이 2.0이므로 저장소 버전, 특히 w/r/t NumPy를 설치하십시오. Matplotlib과 NumPy는 긴밀하게 통합되어 있습니다. 다른 라이브러리를 사용하지 않고도 하나를 사용할 수 있지만 둘 다 파이썬 라이브러리 중에서 각각의 클래스에서 가장 좋습니다. 당신은 easy_install을 통해이 세 가지를 모두 얻을 수 있습니다.
NumPy와/SciPy는 modules 여러 특별히 클러스터링 패키지와 통계 패키지를 포함하여, 기계 학습/통계로 이동합니다.
- 뿐만 아니라 패키지 일반 연산에 관한 있지만 메이크 ML을 코딩하는 것은, 특히 많은 빠른 최적화와 선형 대수 알고리즘을를.
도 있습니다있는 SciKit의, 하지 기본 NumPy와 나 SciPy 라이브러리에 포함 별도로 설치해야합니다. 일반적으로 각 SciKit은 해당 도메인에서 간소화 코딩의 편의 용 래퍼 집합입니다. 가장 관련성이 높은 것으로 판단되는 SciKits는 (가장 근접한 가까운 이웃)이고 은입니다 (로지스틱 회귀, 다중 레이어 퍼셉트론, 지원 벡터 머신과 같은 ML/통계 회귀 및 분류 알고리즘 세트) .
의견을 근거로 투표를 종료하십시오. –