基于以下三个原因，我们选择Python作为实现机器学习算法的编程语言：(一) Python的语法清晰；(二) 易于操作纯文本文件；(三) 使用广泛，存在大量的开发文档。 可执行伪代码 Python具有清晰的语法结构，大家也把它称作可执行伪代码（executable pseudo-code）。默认安装的Python开发环境已经附带了很多高级数据类型，如列表、元组、字典、集合、队列等，无需进一步编程就可以使用这些数据类型的操作。使用这些数据类型使得实现抽象的数学概念非常简单。此外，读者还可以使用自己熟悉的编程风格，如面向对象编程、面向过程编程、或者函数式编程。不熟悉Python的读者可以参阅附录A，该附录详细介绍了Python语言、Python使用的数据类型以及安装指南。 Python语言处理和操作文本文件非常简单，非常易于处理非数值型数据。Python语言提供了丰富的正则表达式函数以及很多访问Web页面的函数库，使得从HTML中提取数据变得非常简单直观。 Python比较流行 Python语言使用广泛，代码范例也很多，便于读者快速学习和掌握。此外，在开发实际应用程序时，也可以利用丰富的模块库缩短开发周期。 在科学和金融领域，Python语言得到了广泛应用。SciPy和NumPy等许多科学函数库都实现了向量和矩阵操作，这些函数库增加了代码的可读性，学过线性代数的人都可以看懂代码的实际功能。另外，科学函数库SciPy和NumPy使用底层语言（C和Fortran）编写，提高了相关应用程序的计算性能。本书将大量使用Python的NumPy。 Python的科学工具可以与绘图工具Matplotlib协同工作。Matplotlib可以绘制二D、三D图形，也可以处理科学研究中经常使用到的图形，所以本书也将大量使用Matplotlib。 Python开发环境还提供了交互式shell环境，允许用户开发程序时查看和检测程序内容。 Python开发环境将来还会集成Pylab模块，它将NumPy、SciPy和Matplotlib合并为一个开发环境。在本书写作时，Pylab还没有并入Python环境，但是不远的将来我们肯定可以在Python开发环境找到它。 Python语言的特色 诸如MATLAB和Mathematica等高级程序语言也允许用户执行矩阵操作，MATLAB甚至还有许多内嵌的特征可以轻松地构造机器学习应用，而且MATLAB的运算速度也很快。然而MATLAB的不足之处是软件费用太高，单个软件授权就要花费数千美元。虽然也有适合MATLAB的第三方插件，但是没有一个有影响力的大型开源项目。 Java和C等强类型程序设计语言也有矩阵数学库，然而对于这些程序设计语言来说，最大的问题是即使完成简单的操作也要编写大量的代码。程序员首先需要定义变量的类型，对于Java来说，每次封装属性时还需要实现getter和setter方法。另外还要记着实现子类，即使并不想使用子类，也必须实现子类方法。为了完成一个简单的工作，我们必须花费大量时间编写了很多无用冗长的代码。Python语言则与Java和C完全不同，它清晰简练，而且易于理解，即使不是编程人员也能够理解程序的含义，而Java和C对于非编程人员则像天书一样难于理解。 所有人在小学二年级已经学会了写作，然而大多数人必须从事其他更重要的工作。 ——鲍比·奈特 也许某一天，我们可以在这句话中将“写作”替代为“编写代码”，虽然有些人对于编写代码很感兴趣，但是对于大多数人来说，编程仅是完成其他任务的工具而已。Python语言是高级编程语言，我们可以花费更多的时间处理数据的内在含义，而无须花费太多精力解决计算机如何得到数据结果。Python语言使得我们很容易表达自己的目的。 Python语言的缺点 Python语言唯一的不足是性能问题。Python程序运行的效率不如Java或者C代码高，但是我们可以使用Python调用C编译的代码。这样，我们就可以同时利用C和Python的优点，逐步地开发机器学习应用程序。我们可以首先使用Python编写实验程序，如果进一步想要在产品中实现机器学习，转换成C代码也不困难。如果程序是按照模块化原则组织的，我们可以先构造可运行的Python程序，然后再逐步使用C代码替换核心代码以改进程序的性能。C++ Boost库就适合完成这个任务，其他类似于Cython和PyPy的工具也可以编写强类型的Python代码，改进一般Python程序的性能。 如果程序的算法或者思想有缺陷，则无论程序的性能如何，都无法得到正确的结果。如果解决问题的思想存在问题，那么单纯通过提高程序的运行效率，扩展用户规模都无法解决这个核心问题。从这个角度来看，Python快速实现系统的优势就更加明显了，我们可以快速地检验算法或者思想是否正确，如果需要，再进一步优化代码
B. python机器学习的原理是什么
排整机器里面的学习的原理的话还是非常多的，因为不动产学习它里面的机器也是各不相同。
C. 怎么用python写mininet的拓扑
为Mininet添加自定义拓扑：Mininet原生提供了多种拓扑类型：SingleSwitchTopo：简单拓扑（Host——Switch——Host）LinearTopo(k,n)：链状拓扑，k台交换机以单链形态连接，分别下接n台主机TreeTopo(depth,fanout)：树形拓扑，创建一个深度为depth、扇出为fanout的树状拓扑Mininet默认情况下并没有实现胖树的网络拓扑，但Mininet支持添加自定义拓扑的功能。本文根据Mininet自带的拓扑定义，在原拓扑库中添加了胖树拓扑类，实现从命令行直接启动k叉胖树拓扑环境。（注：加粗的代码行为自定义拓扑关键部分）mininet/topo.py：所有的拓扑类都继承自topo模块下的Topo基类，Topo基类实现了addNode、addSwitch、addHost、addPort、addLink等添加节点、链路的重要方法。Topo模块中还实现了单交换机拓扑SingleSwitchTopo类和链状拓扑LinearTopo类。mininet/topolib.py：topolib模块中定义了树状拓扑TreeTopo类，自定义的拓扑类可以定义在topolib模块下也可定义在topo模块下，拓扑类的__init__方法中可添加构建拓扑所需要的参数，Mininet在调用拓扑类时会将从命令行接收的topo选项之后的参数*args和关键字参数**kwargs传递到该拓扑类的__init__方法中初始化该拓扑类的对象。如本文中定义的FatTree拓扑类需要接收参数k以确定胖树的叉数：classFatTreeTopo(Topo):def__init__(self,k=4):"Createfat-treetopo."#initializationcodebin/mn：mn是Mininet执行的解释器，负责解析参数，定义了MininetRunner类用来构建、配置并运行整个Mininet平台。自定义的拓扑类需要导入mn中，然后在存放拓扑参数的字典TOPOS中加入对应的键值，就可以在mn命令中使用自定义的拓扑了：frommininet.topolibimportFatTreeTopoTOPOS={'linear':LinearTopo,'single':SingleSwitchTopo,'tree':TreeTopo,'fattree':FatTreeTopo}启动8叉胖树自定义拓扑的Mininet拓扑环境：$sudomn--topo=fattree,k=8
D. 为什么使用Python来实现机器学习代码
numpy是科学计算用的。主要是那个array，比较节约内存，而且矩阵运算方便。成为python科学计算的利器。matplotlib是用于可视化的。只先学会XY的散点图，再加一个柱状图就可以了。其它的都可以暂时不学。几句话就成了。不用找本书。找个例子代码看完就会了。这两个只是计算用的。与机器学习有点儿关联。但还不是机器学习。 机器学习算法你可以使用R project，那个函数库更多些。 你要肯下功夫啃代码，最慢1小时就能掌握 numpy和matplotlib。如果你觉着难，总是想绕圈圈，想容易些，就很难弄会它。也许几天才会。
E. 学：如何用Python实现7种机器学习算法（附
1.
线性回归算法 在线性回归中,我们想要建立一个模型,来拟合一个因变量 y 与一个或多个独立自变量(预测变量) x 之间的关系。 是一个目标变量,它是一个标量 线性回归模型可以理解为一个非常简单的神经网络:...
2.
Logistic 回归算法 在Logistic 回归中,我们试图对给定输入特征的线性组合进行建模,来得到其二元变量的输出结果。例如,我们可以尝试使用竞选候选人花费的金钱和时间信息来预测选举的结果(胜或负)
F. 如何使用python进行机器学习
用Python来编写机器学习，因为Python下有很多机器学习的库。
numpy，scipy,matplotlib,scikit-learn，分别是科学计算包，科学工具集，画图工具包,机器学习工具集。
numpy :科学运算，主要是矩阵的运算。提供数组。
scipy：主要是一些科学工具集，信号处理工具集 数值计算。
scikit-learn：大量机器学习算法。
matplotlib：画图工具
Ubuntu 下的安装
sudo apt-get install python-numpy
sudo apt-get install python-scipy
sudo apt-get install python-matplotlib
sudo apt-get install python-sklearn
window 安装直接到网站下载exe文件，直接安装即可。
G. 现在tensorflow和mxnet很火，是否还有必要学习scikit-learn等框架
很有必要，但不用太深入，在Kaggle上认真搞2,3个比赛能进10%的程度就够了
H. python 机器学习 用什么库
（1）scikit-learn
Python下做机器学习，首推scikit-learn。该项目文档齐全、讲解清晰，功能齐备，使用方便，而且社区活跃。
（2）Orange
机器学习是其的功能之一，主要还是侧重数据挖掘，可以用可视化语言或Python进行操作，拥有机器学习组件，还具有生物信息学以及文本挖掘的插件。
（3）shogun
shogun，非日本的老外弄的一个机器学习库，还专门配了一个我们能看懂的日文名“将军”（是日本幕府时代的将军）。文档齐全，开发活跃，更新快，运算速度也很快。主攻大尺度的核函数，尤其是大尺度核函数下的SVM。具有很多SVM的高级用法，比如多核配用等。支持Python、R、C++、Matlab等语言。
（4）其它
A.pyml(a python mole for machine learning，支持svm/knn/k-means==)
B.milk(python的机器学习工具包，主要是针对监督学习，包括svm/knn/决策树)
I. 为什么Python适用于机器学习 有什么独特优势
从以下3个方面来说明这个问题：
首先，Python让编程更简单。
Python在设计上坚持了清晰划一的风格，这使得Python成为一门易读、易维护，并且被大量用户所欢迎的、用途广泛的语言。机器学习应用程序呈现复杂、多阶段的工作流程，而Python的语言设计在机器学习中很有帮助的另外一个关键因素是，它提供了高层的、基于对象的任务抽象。
其次，Python提供了机器学习的代码库。
Python提供大量机器学习的代码库和框架，在数学运算方面有NumPy、SciPy，在可视化方面有MatplotLib、SeaBorn，结构化数据操作可以通过Pandas，针对各种垂直领域比如图像、语音、文本在预处理阶段都有成熟的库可以调用。Python的代码库生态系统可以让你在工作空间内，简单地的通过一行命令安装很多的这些框架，而这是许多机器学习框架所必须的。
3、Python功能强大。
Python在机器学习领域大放异彩的不仅是某个功能，而是Python整个语言包：它是一种易学易用的语言，它的生态系统拥有的第三方代码库可以涵盖广泛的机器学习用例和性能，可以帮助你很好地完成手头的工作。