最适合机器学习的编程语言

我经常被问到这样一个问题：

哪种编程语言最适合机器学习？

我已经回答过这个问题很多次了，现在是时候在一篇博客文章中深入探讨一下了。

归根结底，你用于机器学习的编程语言应该考虑你自己的需求和偏好。没有人能为你妥善解决这些问题。

没有人能为你妥善解决这些问题。

正在使用的语言

在我给出我的意见之前，最好先看看数据分析和机器学习专业人士自选社区中流行的语言和平台。

KDnuggets 一直有语言调查。最近的一项调查标题是“2013 年您用于分析/数据挖掘/数据科学工作的编程/统计语言”。趋势与前一年几乎相同。结果显示，R、Python 和 SQL 被大量用于数据访问。SAS 和 MATLAB 的排名比我预期的要高。我预计 SAS 适用于大型企业（财富 500 强）数据分析，而 MATLAB 适用于工程、研究和学生使用。

KDnuggets 2013 年调查中机器学习最流行的平台。

Kaggle 提供机器学习竞赛，并已对其用户群进行调查，以了解参赛者使用的工具和编程语言。他们在 2011 年发布了题为Kagglers 的最爱工具的结果（另请参阅论坛讨论）。结果表明 R 被大量使用。结果还显示 MATLAB 和 SAS 被很好地使用，而 Python 的代表性则低得多。我个人可以证明，在竞赛工作中我更喜欢 R 而不是 Python。它只是感觉在数据分析和算法选择方面提供了更多功能。

机器学习竞赛网站 Kaggle 上最受欢迎的工具。

Ben Hamner，Kaggle 管理员和 Kaggle 博客上上述博客文章的作者，在一篇题为“人们通常使用哪些工具来解决问题”的论坛帖子中，更详细地阐述了机器学习编程语言的选择。

Ben 评论说 MATLAB/Octave 是一种用于矩阵操作的好语言，在处理定义明确的特征矩阵时可能很有用。Python 被全面的库所碎片化，除非你使用 C 语言，否则可能会非常慢。他更喜欢在不处理定义明确的特征矩阵时使用 Python，并使用 Pandas 和 NLTK。Ben 评论说：“通常，如果统计学家发现它有趣，它就会在 R 中实现”（说得好）。他还抱怨该语言本身很难看且难以使用。最后，Ben 评论了 Julia，它在库方面没有太多可提供的东西，但它是他最喜欢的语言。他评论说，它具有 MATLAB 和 Python 等语言的简洁性以及 C 语言的速度。

Kaggle 首席执行官 Anthony Goldbloom 于 2011 年向湾区 R 用户组发表了关于 R 在 Kaggle 竞赛中受欢迎程度的演讲，题为预测建模竞赛：让数据科学成为一项运动（参见 PowerPoint 幻灯片）。演讲幻灯片提供了更多关于编程语言使用的详细信息，并提出了一个“其他”类别，其使用量与 R 的使用量几乎一样大。如果能获得收集到的原始数据就更好了（他们为什么不将它发布到他们自己的数据社区，真的！？）。

Kaggle 上流行的编程语言，摘自 Kaggle 演示文稿。

John Langford 在他的博客 Hunch 上发表了一篇关于机器学习算法编程语言特性的优秀文章，题为“机器学习实现编程语言”。他将这些特性分为速度和可编程性（编程容易度）方面。他指出了一些强大的行业标准算法实现，所有这些都用 C 语言编写，并评论说他没有使用 R 或 MATLAB（这篇文章写于 8 年前）。花些时间阅读一下学术界和行业专家的评论。这是一个深刻而细致的问题，最终归结为你正在解决的问题的具体情况以及你解决问题的环境。

机器学习语言

我从我想要执行的机器学习活动的上下文中考虑编程语言。

MATLAB/Octave

我认为 MATLAB 在表示和处理矩阵方面表现出色。因此，我认为它是一种出色的语言或平台，可用于深入了解给定方法的线性代数。我认为它适合初次粗略地学习算法，以及在尝试理解或深入研究该方法时深入学习算法。例如，它在大学入门课程中很受欢迎，例如 Andrew Ng 的 Coursera 机器学习课程。

R

R 是统计分析的主力，推而广之，也是机器学习的主力。人们对学习曲线议论纷纷，我倒没觉得有什么问题。它是使用统计方法和图表理解和探索数据的平台。它拥有大量的机器学习算法，以及由算法开发人员编写的高级实现。

我认为您可以使用 R 进行探索、建模和原型设计。我认为它适合一次性项目，其成果如一套预测、报告或研究论文。例如，它是 Kaggle 等机器学习竞赛中最受欢迎的平台。

Python

Python 作为一门流行的科学语言，在机器学习领域冉冉升起。它能否取代 R 在数据分析领域的地位，我对此表示怀疑，但 NumPy 中的矩阵处理可能会挑战 MATLAB，而像 IPython 这样的通信工具非常吸引人，是迈向可复现性未来的一步。

我认为用于机器学习和数据分析的 SciPy 栈可用于一次性项目（如论文），而像 scikit-learn 这样的框架已足够成熟，可用于生产系统。

Java 家族/C 家族

实现一个使用机器学习的系统与任何其他工程挑战一样。你需要良好的设计和完善的需求。机器学习是算法，而不是魔法。在进行严肃的生产实现时，你需要一个健壮的库，或者根据你的需求定制算法实现。

有健壮的库，例如，Java 有 Weka 和 Mahout。另外，请注意，回归 (LIBLINEAR) 和 SVM (LIBSVM) 等核心算法的深度实现是用 C 语言编写的，并被 Python 和其他工具包所利用。我认为，如果你是认真的，你可能会在 R 或 Python 中进行原型设计，但出于执行速度和系统可靠性等原因，你将使用更重量级的语言进行实现。例如，BigML 的后端是用 Clojure 实现的。

其他注意事项

• 非程序员：如果你不是程序员（或者不是自信的程序员），我建议通过图形用户界面（GUI），例如 Weka 来学习机器学习。
• 研究和运营使用同一种语言：您可能希望在原型开发和生产中使用相同的语言，以降低未能有效转移结果的风险。
• 常用语言：您可能有一种常用或喜欢的语言，并希望坚持使用它。您可以自己实现算法或利用库。大多数语言都有某种形式的机器学习包，尽管可能很原始。

机器学习编程语言的问题在博客和问答网站上很受欢迎。以下是一些精选的讨论：

• 机器学习与编程语言, 2012
• 哪种编程语言拥有最好的机器学习库？在 Quora 上，2012 年
• 哪种编程语言拥有最好的机器学习库？在 MetaOptimize 上，2010 年
• 您推荐哪种编程语言来原型化机器学习问题？，CrossValidated，2011 年

您使用哪种编程语言进行机器学习和数据分析？为什么推荐它？

我渴望听到你的想法，请留言。