python機(jī)器學(xué)習(xí)包mlxtend的安裝和配置詳解
今天看到了mlxtend的包，看了下example集成得非常簡潔。還有一個(gè)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(shù)據(jù)或者找數(shù)據(jù)的處理過程，所以決定安裝體驗(yàn)一下。
依賴環(huán)境
首先，sudo pip install mlxtend 得到基礎(chǔ)環(huán)境。
然后開始看看系統(tǒng)依賴問題的解決。大致看了下基本都是python科學(xué)計(jì)算用的那幾個(gè)經(jīng)典的包，主要是numpy,scipy,matplotlib,sklearn這些。
LINUX環(huán)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(diǎn)是matplotlib的話，pip裝的時(shí)候提示我的幾個(gè)問題是png和一個(gè)叫Freetype的包被需要，但是裝的時(shí)候又出現(xiàn)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(duì)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(gè)示例代碼。
matplot結(jié)果如圖：
之后就可以開始玩了～！
附：linux下python科學(xué)計(jì)算的經(jīng)典的包的一個(gè)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(nèi)容，希望對(duì)大家的學(xué)習(xí)有所幫助，也希望大家多多支持腳本之家。
- 盤點(diǎn)20個(gè)Python數(shù)據(jù)科學(xué)庫神器打造數(shù)據(jù)魔法世界
- Python?Prometheus接口揭秘?cái)?shù)據(jù)科學(xué)新技巧
- python?lazypredict構(gòu)建大量基本模型簡化機(jī)器學(xué)習(xí)
- Python梯度提升庫XGBoost解決機(jī)器學(xué)習(xí)問題使用探究
- Python機(jī)器學(xué)習(xí)特征重要性分析的8個(gè)常用方法實(shí)例探究
- python taipy庫輕松地將數(shù)據(jù)和機(jī)器學(xué)習(xí)模型轉(zhuǎn)為功能性Web應(yīng)用
- Python BentoML構(gòu)建部署和管理機(jī)器學(xué)習(xí)模型技巧掌握
- Python mlxtend庫數(shù)據(jù)科學(xué)和機(jī)器學(xué)習(xí)補(bǔ)充工具功能探索
相關(guān)文章
這篇文章主要為大家詳細(xì)匯總了一些常用的Python爬蟲技巧,具有一定的參考價(jià)值，感興趣的小伙伴們可以參考一下2016-09-09
這篇文章主要為大家詳細(xì)介紹了如何基于Python實(shí)現(xiàn)圖片文字合成工具,實(shí)現(xiàn)處理圖片文件、在圖片上添加文本等功能,感興趣的小伙伴可以跟隨小編一起學(xué)習(xí)一下2023-10-10
Python給Excel寫入數(shù)據(jù)的四種方法小結(jié)
本文主要介紹了Python給Excel寫入數(shù)據(jù)的四種方法小結(jié),包含openpyxl庫、xlsxwriter庫、pandas庫和win32com庫,具有一定的參考價(jià)值,感興趣的可以了解一下2025-02-02
Python基于unittest實(shí)現(xiàn)測(cè)試用例執(zhí)行
這篇文章主要介紹了Python基于unittest實(shí)現(xiàn)測(cè)試用例執(zhí)行,文中通過示例代碼介紹的非常詳細(xì)，對(duì)大家的學(xué)習(xí)或者工作具有一定的參考學(xué)習(xí)價(jià)值,需要的朋友可以參考下2020-11-11
本文基于 Python3 的 Pyecharts 制作 Map3D（三維地圖） 時(shí)需要使用的設(shè)置參數(shù)和常用模板案例,使用 Pyecharts 進(jìn)行數(shù)據(jù)可視化時(shí)可提供直觀、交互豐富、可高度個(gè)性化定制的數(shù)據(jù)可視化圖表。案例中的代碼內(nèi)容基于 Pyecharts 1.x 版本,需要的朋友可以參考下2021-06-06
TensorFlow梯度求解tf.gradients實(shí)例
今天小編就為大家分享一篇TensorFlow梯度求解tf.gradients實(shí)例，具有很好的參考價(jià)值，希望對(duì)大家有所幫助。一起跟隨小編過來看看吧2020-02-02
Python裝飾器的應(yīng)用場(chǎng)景及實(shí)例用法
在本篇內(nèi)容里小編給大家整理了一篇關(guān)于Python裝飾器的應(yīng)用場(chǎng)景及實(shí)例用法，有興趣的朋友們可以學(xué)習(xí)下。2021-04-04
Pycharm最全報(bào)錯(cuò)的原因與解決方法總結(jié)(推薦!)
這篇文章主要給大家介紹了關(guān)于Pycharm最全報(bào)錯(cuò)的原因與解決方法的相關(guān)資料,文中記錄了Python各種報(bào)錯(cuò)解釋及處理方法,屬于個(gè)人記錄型,需要的朋友可以參考下2022-07-07
本篇文章主要介紹了Python中利用xpath解析HTML的方法，利用其lxml.html的xpath對(duì)html進(jìn)行分析，獲取抓取信息，具有一定的參考價(jià)值，感興趣的小伙伴們可以參考一下2018-05-05
詳解Python如何巧妙實(shí)現(xiàn)數(shù)學(xué)階乘n!
一個(gè)正整數(shù)的階乘（factorial）是所有小于及等于該數(shù)的正整數(shù)的積，并且0的階乘為1。自然數(shù)n的階乘寫作n!，本文就給大家介紹如何使用python和第三方庫來實(shí)現(xiàn)數(shù)學(xué)運(yùn)算中的階乘以及階乘累計(jì)求和2023-03-03