盘点：为 Java 开发者量身定制的五款机器学习库

Weka

地址：http://www.cs.waikato.ac.nz/ml/weka/index.html 

毫无疑问，Weka 是目前首选的 Java 机器学习库。

它由新西兰怀卡托大学（University of Waikato）的机器学习项目组研发。其命名来源于一种新西兰特有的不会飞的鸟——新西兰秧鸡，新西兰秧鸡的英文名称就是 Weka。按照官网描述，Weka 吸收了许多目前常用的机器学习算法，并且完全基于 Java 环境，开源，免费，具有易于使用的图形界面，适合于数据挖掘，数据分析和预测建模等多种应用场景。

来自怀卡托大学的计算机科学教授 Eibe Frank 表示：“Weka 最大的优势在于分类，因此需要自动数据分类的应用程序可以从中获益。但同时它也支持数据预处理、聚类、关联规则挖掘、时间序列预测、特征选择、和异常检测等场景。”

开发者可以直接通过 Weka 软件处理目标数据集，同时也支持用户在自己编写的代码中调用，将 Weka 视为一个灵活的组件。更贴心的是，怀卡托大学还提供了许多免费的基于 Weka 的数据挖掘和机器学习视频教程，感兴趣的朋友可以在 Weka 官网点击查看。

Massive Online Analysis (MOA)

地址：http://moa.cms.waikato.ac.nz/ 

和 Weka 一脉相承，MOA 的命名也是来源于一种新西兰特有的无翼大鸟——新西兰恐鸟（目前已灭绝）。MOA 也是基于 Java 环境，开源，免费，在面对复杂问题时，MOA 还能和 Weka 协同工作。

MOA 在运算效率和内存占用方面都做了特殊优化，通过提供易于扩展的底层结构、可复用的数据流分析设置以及一系列内部实现好机器学习算法，MOA 为实时数据流分析提供了一个非常优秀的基准框架，因此在实时数据流挖掘领域的应用非常广泛。其内部实现的机器学习算法包括：分类、回归、聚类、孤立点检测、概念漂移检测和推荐系统等。此外，MOA 还提供了多种评估工具，以及活跃的社区讨论、博客等配套资源。

Deeplearning4j

地址：https://deeplearning4j.org/ 

Deeplearning4j（Deep Learning For Java）是 Java 和 Scala 环境下的一个开源分布式的深度学习项目，由总部位于美国旧金山的商业智能和企业软件公司 Skymind 牵头开发，并得到了腾讯的投资。正如它的命名，Deeplearning4j 的运行需要 Java 虚拟机 JVM 的支持。

去年，JAXenter 社区曾提名 Deeplearning4j 作为 Java 生态系统最具创新的贡献者之一。

Deeplearning4j 旨在为工作在 Hadoop 框架下的 Java、Scala 和 Clojure 程序员提供一个可以灵活 DIY 的机器学习工具。团队在官网表示，他们希望通过一些机器学习算法的开发，将商业带入智能化数据的时代。也正是为了实现这一理想，惠及更多的用户，因此选择了移植性更好的 Java 环境来实现这些算法。目前，Deeplearning4j 在模式识别、时间序列检测和基于语音、文本的情感识别方面应用广泛，包括谷歌、Facebook和微软等巨头公司都是它的用户。

MALLET

地址：http://mallet.cs.umass.edu/ 

MALLET主要由来自麻省大学（University of Massachusetts）的Andrew McCallum教授和其学生开发，是一个基于 Java 环境的开源机器学习工具包。主要应用于统计自然语言处理，文档分类，聚类，主题建模，信息提取等文本类分析场景。

MALLET 内部实现了许多功能强大的工具，包括用于文档分类的高级工具，用于序列标记的工具，和用于主题建模的工具等。MALLET 还支持各种类型的算法，包括朴素贝叶斯，决策树和最大熵等。此外，MALLET 还提供了许多例程，包括分词，删除停用词，将文本转换为向量表示等。

ELKI

地址：https://elki-project.github.io/ 

ELKI 的全称是：Environment for Developing KDD-Applications Supported by Index-Structures，即由索引结构支持的 KDD 应用开发环境，这里 KDD 是指 Knowledge Discovery in Database，即知识发现。

ELKI 也是一款知名的基于 Java 环境的数据挖掘软件。ELKI 的重点是算法研究，强调聚类分析，数据库索引和孤立点检测等无监督方法。ELKI 可以对数据挖掘算法和数据管理任务进行各自独立的分析，这在其他数据挖掘框架（如 Weta 和 Rapidminer）中是独一无二的。此外，ELKI 还支持各种数据类型和文件格式，以及各种相似性度量方法。

ELKI 专为研究人员和学生设计，提供了大量可灵活配置的算法参数，以便进行简单和公平的算法评估。目前 ELKI 已经被广泛应用于各种数据科学的相关领域，包括鲸鱼的回声定位，航天飞行操作，共享单车分配和交通预测等。

本文作者：恒亮

本文转自雷锋网禁止二次转载， 原文链接