相关答案：https ://stats.stackexchange.com/a/66420/25433

如果我们选择使用这些工具包，除了方便之外，有时我们可能会失去对实际情况的控制。

这完全不是针对开源工具包的。事实上，在开源程序中，在必要的地方和时间进行更改更容易。此外，如果您添加基本功能，您可以成为包的贡献者以获得双赢局面。

如果学习系统完全由我们自己实现，就不会有那么多混乱，因为我们确切地知道会发生什么。

大概。另一方面，从头开始实施需要大量的知识、时间和精力，特别是如果您想做适当的单元测试以及不做的事情（大多数流行的开源软件解决方案确实提供）。另请注意，机器学习从业者通常不是软件工程师，这使得（重新）实现远非微不足道。

那么对于开源机器学习工具包的正确态度是什么？ 只是在第一阶段使用它们，然后手动实现，不需要学习工具包的帮助，以便对算法有更多的控制权，或者我们可以仅仅依靠这种学习工具包？

在我看来，最重要的是了解存在的内容（例如here和here）。通常情况下，您可以在开源中找到您需要的东西（也许经过一些摆弄之后）。不要重新发明热水。

永远不要假设开源软件（或与此相关的任何软件）是没有错误的。如果您得到奇怪的结果，请质疑您使用的工具。给定软件包的用户群越大，您​​就越能远离软件中的严重错误。用户不可避免地是任何软件系统的最佳测试平台。您可以假设在 weka、shogun、opencv 等流行软件包中的重大问题是相当安全的...

这是另一个可能与机器学习特别相关的相关问题。许多学术开源软件作为概念验证发布。这样的实现——通常在用户很少的算法的前沿——应该小心对待。用户群越小，软件受到的审查就越少。