我问自己一个问题，大多数人是否通常自己编写机器学习算法，或者他们是否可能使用现有的解决方案，如Weka或R包。
当然这取决于问题 - 但是我想说我想使用像神经网络这样的通用解决方案。还有理由自己编码吗？更好地理解机制并适应它？或者标准化解决方案的思想更重要？
答案 0 :(得分：10)
这对Stackoverflow来说不是一个好问题。这是一个意见问题，而不是编程问题。
然而，这是我的看法：
这取决于您想要做什么。
如果您想找到哪种算法最适合您的数据，请尝试使用ELKI，Weka，R，Matlab，SciPy等等。尝试所有可以找到的算法，并花费更多时间来预处理数据。
如果您知道需要哪种算法并且需要将其投入生产，那么许多这些工具的性能都不够好或者很容易集成。相反，请检查是否可以找到提供所需功能的低级库，例如libSVM。如果这些不存在，请滚动您自己的优化代码。
如果您想在此域中进行研究，您最好扩展现有工具。 ELKI和Weka拥有可插入的API以提供扩展。 R没有真正的API（CRAN它是一团糟......）但人们只是将代码转储到某处（希望）添加手册如何使用它。扩展这些框架可以节省大量的工作：您可以使用比较方法，并且可以重复使用大量代码。例如，ELKI有很多索引结构来加速算法。大多数情况下，索引加速比实际算法更难写。因此，如果您可以重用现有索引，这将使您的算法更快（并且您也将从这些框架的未来增强中受益）。
如果您想了解现有算法，您最好自己实施。你会惊讶地发现，优化某些算法的能力远远超过课堂教学。例如。 APRIORI。基本思路很简单。但是，正确地说明所有的修剪细节，我说20名学生中有1名获得了这些细节。如果你实现APRIORI，那么将它与一个已知良好的实现进行基准测试，并尝试理解为什么你的速度慢得多，那么你实际上会发现算法的微妙细节。并且不要惊讶地看到ELKI，R，Weka等之间的性能差异为100倍 - 它仍然可以是相同的算法，只是在实际使用的数据结构，内存布局等方面或多或少地实现了。