你不应该忽略的五个机器学习项目一览

随着人工智能和深度学习的兴起，网络上存在的学习资源以及开源项目也越来越多。本文精选了的五个项目，都含有潜在新的机器学习想法，且全都是用Python实现。下面简单介绍
下这五个项目，感兴趣的可以自己上手复现一下，说不定会对自己的项目产生一些新的想法。

1.实时损失曲线图（Live Loss Plot）

在训练模型的时候最好不要只关注最终的结果，耐心观察整个训练过程，查看每个epoch的训练结果，弄清楚模型的训练曲线是否正常，是否出现过拟合等现象。
PiotrMigdał等人开发了一个Python源代码包，可以为Keras，PyTorch和其他框架提供实时训练损失的曲线。
当使用的是Keras深度学习框架时，实时损失曲线图可以简单地通过以下回调函数调用：

from livelossplot import PlotLossesKeras
model.fit(X_train, Y_train,
          epochs=10,
          validation_data=(X_test, Y_test),
          callbacks=[PlotLossesKeras()],
          verbose=0)

2.Parfit

该项目由Jason Carpenter开发，他是旧金山大学数据科学专业的硕士，目前是Manifold的机器学习实习生。
该项目是用于并行化Sklearn机器学习模型的拟合和灵活评分的数据包，具有可视化的功能。一旦导入该数据包，就可以自由使用bestFit()或其他功能。

代码示例：

from parfit import bestFit # Necessary if you wish to use bestFit

# Necessary if you wish to run each step sequentially
from parfit.fit import *
from parfit.score import *
from parfit.plot import *
from parfit.crossval import *

grid = {
    'min_samples_leaf': [1, 5, 10, 15, 20, 25],
    'max_features': ['sqrt', 'log2', 0.5, 0.6, 0.7],
    'n_estimators': [60],
    'n_jobs': [-1],
    'random_state': [42]
}
paramGrid = ParameterGrid(grid)

best_model, best_score, all_models, all_scores = bestFit(RandomForestClassifier(), paramGrid,
                                                    X_train, y_train, X_val, y_val, # nfolds=5 [optional, instead of validation set]
                                                    metric=roc_auc_score, greater_is_better=True, 
                                                    scoreLabel='AUC')

print(best_model, best_score)

3.Yellowbrick

Yellowbrick是一款促进机器学习模型选择的视觉分析和诊断工具。具体来说，Yellowbrick是一套名为“展示台（Visualizers）”的视觉诊断工具，它扩展了scikit-learn API，以便人为地指导模型选择过程。简而言之，Yellowbrick将scikit-learn与matplotlib结合在一起，且具有模型生成可视化的效果。

可以在这里查看Github代码示例以及使用文档介绍。

Magnitude是一个快速、简单的矢量嵌入实用程序库。它也是一种功能丰富的Python软件包和矢量存储文件格式。通过Plasticity以快速、高效的方式开发机器学习模型。它主要是为Gensim提供一个更简单、更快捷的替代方案，但也可以用作NLP之外域的通用关键向量存储。
该项目提供了各种流行的嵌入模型的链接，这些嵌入模型已经以.magnitude格式准备好以供使用，还包括将任何其他文字嵌入文件转换为相同格式的说明。
使用以下代码可以将其导入：

from pymagnitude import *
vectors = Magnitude("/path/to/vectors.magnitude")

此外，Github上有更多的信息，包括熟悉的用于使用预先训练的简化库的起步和运行的所有信息。
以上是五个器学习或机器学习相关的项目简介，你可能还没有听说过，但可能要考虑要动手实践一下，部分项目可能会对你此时的项目有所帮助。

数十款阿里云产品限时折扣中，赶紧点击领劵开始云上实践吧！

作者信息

Matthew Mayo，机器学习研究者
个人主页：www.linkedin.com/in/mattmayo…
本文由阿里云云栖社区组织翻译。
文章原标题《5 Machine Learning Projects You Should Not Overlook, June 2018》，译者：海棠，审校：Uncle_LLD。
文章为简译，更为详细的内容，请查看原文。

你不应该忽略的五个机器学习项目一览

1.实时损失曲线图（Live Loss Plot）

2.Parfit

3.Yellowbrick

4.textgenrnn

5.Magnitude

数十款阿里云产品限时折扣中，赶紧点击领劵开始云上实践吧！

作者信息