# 为什么从零开始实现机器学习算法 > 原文： [https://machinelearningmastery.com/why-implement-a-machine-learning-algorithm-from-scratch/](https://machinelearningmastery.com/why-implement-a-machine-learning-algorithm-from-scratch/) 当现有API中提供了如此多的算法时，为什么要从头开始实现机器学习算法？ 这是一个很好的问题。在编写第一行代码之前必须考虑的问题。 在这篇文章中，您将发现这个问题的各种有趣甚至发人深省的答案。 这篇文章中的答案总结自Quora问题：“[当有许多高级API如tensorflow可用时，为什么需要手动实现机器学习算法？](https://www.quora.com/Why-is-there-a-need-to-manually-implement-machine-learning-algorithms-when-there-are-many-advanced-APIs-like-tensorflow-available) “。  为什么从头开始实施机器学习算法 照片由 [psyberartist](https://www.flickr.com/photos/psyberartist/3518056742/) ，保留一些权利。 ## （重新）实现算法的两个主要原因 我认为所有的答案都可以分解为两个阵营： 1. **自学**，其中算法被实现为学习练习。 2. **操作要求**，其中实施了一种算法以满足生产系统的需求。 ## 实施自学算法 [Charles Gee](http://qr.ae/RgpWsi) 从自学角度给出了很好的答案。他评论道： > ...假设我们没有谈论机器学习算法，而是谈论排序算法。当然，许多数据结构都有一个排序函数，几乎不需要编码，但你真的会聘请一个无法做出反对的程序员吗？选择排序？插入排序？归并排序？快速排序？二叉搜索树？ Charles描述了4种不同的用例，从头开始实现机器学习算法是非常可取的： * 作为机器学习领域的初学者。 * 作为机器学习领域的研究员。 * 作为机器学习领域的老师。 * 作为这些机器学习算法的用户。 ## 实现操作要求的算法 [Xavier Amatriain](http://qr.ae/RgpWnT) 在他的回答中关注这个话题。他评论道： > 首先我要说的是，我确实认为任何团队都应该默认重新使用现有的实现。 ...但是，公司可能决定实施自己版本的ML算法的原因也很多。 Xavier列出了实现机器学习算法的5个理由，如下所示： * **表现**。对于特定用例，开源实现可能过于笼统且效率不高。 * **正确性**。对于特定用例（例如较大规模的数据集），开源实现中可能存在错误或限制。 * **编程语言**。实现可能仅限于特定的编程语言。 * **整合**。可能需要将算法实现集成到现有生产系统的基础结构中。 * **许可**。选择开源许可证可能会受到限制。 ## 摘要 在这篇文章中，您发现有两个主要原因可能需要从头开始实现算法。 1. 要了解有关算法如何用于自学的更多信息。 2. 自定义生产系统的算法实现。 ## 进一步阅读 我已经多次发布了从头开始实现机器学习算法的好处。 关于这个主题的进一步阅读包括： * [从零开始实施机器学习算法的好处](http://machinelearningmastery.com/benefits-of-implementing-machine-learning-algorithms-from-scratch/) * [通过从零开始实施它们来理解机器学习算法（以及解决不良代码的策略）](http://machinelearningmastery.com/understand-machine-learning-algorithms-by-implementing-them-from-scratch/) * [实现机器学习算法时不要从开源代码开始](http://machinelearningmastery.com/dont-start-with-open-source-code-when-implementing-machine-learning-algorithms/) * [如何实现机器学习算法](http://machinelearningmastery.com/how-to-implement-a-machine-learning-algorithm/)