- Category Encoders：用於編碼分類變數
- Featuretools：可與 Compose 和 EvalML 一起使用
Featuretools自動化特徵工程過程EvalML自動化模型構建，包括數據檢查，甚至提供模型理解工具（教程）Compose自動化預測工程
- feature-engine
- 變數轉換、選擇、預處理
- 填充、編碼、離散化、異常值處理
- 時間序列特徵
- imbalance：處理數據不平衡問題
- feature-engine
- mlxtend：包裝器、貪婪算法等（也包括一些數據可視化工具）
- sklearn
- xgboost
- lightgbm
- pyearch：多變量自適應回歸樣條
- scikit-multilearn：重點關注標籤空間操作的多標籤分類
- seglearn：使用滑動窗口分割的時間序列和序列學習
- pomegranate：用於Python的概率建模，重點是隱馬爾可夫模型（GMM、HMM、Naive Bayes和Bayes分類器、馬爾可夫鏈、離散貝葉斯網絡、離散馬爾可夫網絡）
- sklearn-deap：在scikit-learn中使用進化算法而不是網格搜索
- hyperopt：貝葉斯超參數調整
- scikit-optimize：scikit-learn超參數調整
- Optuna：Optuna指南
- tslearn：時間序列預處理、特徵提取、分類、回歸、聚類
- sktime：時間序列分類、回歸、聚類、注釋（也可用於單變量、多變量或面板數據）
- HMMLearn：隱馬爾可夫模型的實現
- pytorchforecasting：使用pytorch實現的時間序列預測模型