朱莉娅
最后一种需要考虑的语言是Julia（2009 年开发，2012 年发布；Jeff Bezanson、Alan Edelman、Stefan Karpinski、Viral B. Shah）。 Julia 是一种快速、动态类型的编程语言，专为并发、并行和分布式计算而设计；它真正最闪耀的地方是在数值和科学计算方面。 Julia 的语法类似于非程序员经常使用的公式，这使得它成为一种对于具有数学背景的用户来说更容易学习的语言。 Julia 注重速度，与常见的数据科学和统计语言相比具有明显的速度优势。此外，真正改变游戏规则的（据从业者称）是多重调度的功能。通过多重分派，可以根据运行时/动态类型或其他属性/参数动态分派函数或方法。换句话说，程序员可以多次编写一个函数来处理不同的类型。
“野外比较”
嗯，让我们测试一下。采用一些“基本”的机器和深度学习算法，以及数 BC 数据 据科学项目经常使用的数据集，让我们比较一下这些编程语言。
K 均值聚类
K-均值聚类是第一次比较的首选武器。使用 k-means 可以对聚类内的数据点进行分组。这里的聚类是指由于某些相似性而聚集在一起的数据点的集合。它是一种无监督算法，仅使用输入向量从输入数据集进行推断，而不知道结果（标签）。为了进行此比较，使用 sklearn.datasets.make_blobs 创建了一个具有四个中心的包含 300 个随机数据点的数据集。
随机森林分类
对于第二次比较，选择了随机森林分类算法。随机森林是一种创建多棵树的分类算法。为了构建这些树，该算法使用了装袋和特征随机性。它创建多棵不相关的树，即森林，其中森林的预测比每棵树的预测更准确。本次比较所用的数据是著名的鸢尾花数据集。该数据集由三个类组成，每个类有 50 个实例，每个类都是一种鸢尾花：Setosa、Versicolour 和 Virginica，具有萼片和花瓣长度以及萼片和花瓣宽度的属性。与 k 均值聚类比较相比，标签确实是给定的，这使其成为一个监督学习问题。