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腳本之家。
更多文章、技術交流、商務合作、聯系博主
微信掃碼或搜索：z360901061
微信掃一掃加我為好友
QQ號聯系： 360901061
您的支持是博主寫作最大的動力，如果您喜歡我的文章，感覺我的文章對您有幫助，請用微信掃描下面二維碼支持博主2元、5元、10元、20元等您想捐的金額吧，狠狠點擊下面給點支持吧，站長非常感激您！手機微信長按不能支付解決辦法：請將微信支付二維碼保存到相冊，切換到微信，然后點擊微信右上角掃一掃功能，選擇支付二維碼完成支付。
【本文對您有幫助就好】元
