今天看到了mlxtend的包，看了下example集成得非常簡潔。還有一個吸引我的地方是自帶了一些data直接可以用，省去了自己造數據或者找數據的處理過程，所以決定安裝體驗一下。

依賴環境

首先，sudo pip install mlxtend 得到基礎環境。

然后開始看看系統依賴問題的解決。大致看了下基本都是python科學計算用的那幾個經典的包，主要是numpy,scipy,matplotlib,sklearn這些。

LINUX環境下的話，一般這些都比較好裝pip一般都能搞定。

這里要說的一點是matplotlib的話，pip裝的時候提示我的幾個問題是png和一個叫Freetype的包被需要，但是裝的時候又出現問題。所以matplotlib最后選擇用

sudo apt-get install python-matplotlib

直接解決依賴問題。

同樣的情況對于scipy也是一樣，用

sudo apt-get install python-scipy

解決。

示例代碼

import numpy as np

import matplotlib.pyplot as plt

import matplotlib.gridspec as gridspec

import itertools

from sklearn.linear_model import LogisticRegression

from sklearn.svm import SVC

from sklearn.ensemble import RandomForestClassifier

from mlxtend.classifier import EnsembleVoteClassifier

from mlxtend.data import iris_data

from mlxtend.evaluate import plot_decision_regions

# Initializing Classifiers

clf1 = LogisticRegression(random_state=0)

clf2 = RandomForestClassifier(random_state=0)

clf3 = SVC(random_state=0, probability=True)

eclf = EnsembleVoteClassifier(clfs=[clf1, clf2, clf3], weights=[2, 1, 1], voting='soft')

# Loading some example data

X, y = iris_data()

X = X[:,[0, 2]]

# Plotting Decision Regions

gs = gridspec.GridSpec(2, 2)

fig = plt.figure(figsize=(10, 8))

for clf, lab, grd in zip([clf1, clf2, clf3, eclf],

['Logistic Regression', 'Random Forest', 'Naive Bayes', 'Ensemble'],

itertools.product([0, 1], repeat=2)):

clf.fit(X, y)

ax = plt.subplot(gs[grd[0], grd[1]])

fig = plot_decision_regions(X=X, y=y, clf=clf, legend=2)

plt.title(lab)

plt.show()

之后就可以來跑一下這個示例代碼。

matplot結果如圖：

之后就可以開始玩了～！

附：linux下python科學計算的經典的包的一個總和的命令：

sudo apt-get install python-numpy python-scipy python-matplotlib ipython ipython-notebook python-pandas python-sympy python-nose

以上就是本文的全部內容，希望對大家的學習有所幫助，也希望大家多多支持。

總結

以上是生活随笔為你收集整理的安装mlxtend_python机器学习包mlxtend的安装和配置详解的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。