© Liashko/Shutterstock.com
Infografik

Die Top-5-Python-Bibliotheken für Machine Learning


Python ist die beliebteste Programmiersprache, wenn es um das Erstellen eines Machine-Learning-Projekts geht. Warum eigentlich? Nun, zunächst einmal sind die Algorithmen so komplex, dass man sich nicht noch zusätzlich um technische Details kümmern, sondern sich ganz auf die Logik konzentrieren möchte. Python hilft dabei, dank der einfachen Syntax, der hohen Entwicklungsgeschwindigkeit und der großen Flexibilität. Aber es gibt noch einen anderen Grund für die Beliebtheit von Python in dieser Domäne: die stetig wachsende Anzahl an Data-Science-Bibliotheken. Hier sind ein paar der populärsten Python-Bibliotheken, die in der Welt des Machine Learning zum Einsatz kommen.

20_22_Infografik_NumPy.png

NumPy

NumPy ist eine essenzielle Bibliothek für Machine-Learning-Algorithmen, da sie mit komplexen multidimensionalen Arrays sowie Matrizen arbeiten und höhere mathematische Funktionen auf sie anwenden kann. Zudem kann NumPy praktisch jedwede Art von Daten verarbeiten, sodass sich die Bibliothek recht einfach in eine Vielzahl von Datenbasen integrieren lässt. NumPy ist Teil des SciPy-Projekts und basiert auf Numeric und Numarray, zwei Bibliotheken, die nun nicht mehr verwendet werden. Das Beispiel zeigt die Manipulation eines Iris-Datensets mit NumPy.

import numpy as np
from sklearn.datasets import load_iris
 
iris = load_iris()
iris_array = np.array(iris.data)
 
iris_array.shape
# Output:
# (150, 4)
 
# Umgestaltung unter Verwendung der # ursprünglichen Größe
iris_reshaped = iris_array.reshape((100,6))
iris_reshaped.shape
# Output:
# (100, 6)
 
# Anpassung der Größe und der Form.
iris_array.resize((100, 4))
iris_array.shape
# Output:
# (100, 4)
 
# eindimensionale Ausgabe einer Kopie des Arrays
iris_array.flatten()
 
# Ausgabe des Durchschnittswerts entlang einer # gegebenen Achse
# 0 oder 1 im Fall eines zweidimensionalen Arrays
iris_array.mean(axis=0)
 
# Streuung
iris_array.var(axis=0)
 
# Standardabweichung
iris_array.std(axis=0)
 
# Summe und kumulative Summe
iris_array.sum(axis=0)
iris_array.cumsum(axis=0)
 
# Produkt und kumulatives Produkt
iris_array.prod(axis=0)
iris_array.cumprod(axis=0)
20_22_Infografik_Matplotlib.png

Matplotlib

Matplotlib, eine großartige Bibliothek für die Datenvisualisierung, macht die Funktionalität von MATLAB für Python verfügbar. Sogar das bekannte Interface kann mit dem Modul Pyplot verwendet werden. Mit dieser Bibliothekt können Nutzer graphische Darstellungen, Histogramme und Balkendiagramme generieren. Das geht zuweilen mit wenigen Codezeilen, da der Fokus von Matplotlib auf der Nutzerfreundlichkeit...

headline from sands settings