mlxtend

Mlxtend (ekstensi pembelajaran mesin) adalah pustaka Python yang berisi alat yang berguna untuk tugas ilmu data sehari-hari.

Sebastian Raschka 2014-2024

Tautan

• Dokumentasi: https://rasbt.github.io/mlxtend
• PyPI: https://pypi.python.org/pypi/mlxtend
• Log Perubahan: https://rasbt.github.io/mlxtend/CHANGELOG
• Berkontribusi: https://rasbt.github.io/mlxtend/CONTRIBUTING
• Pertanyaan? Lihat papan Diskusi GitHub

Menginstal mlxtend

PyPI

Untuk menginstal mlxtend, jalankan saja

pip install mlxtend  

Alternatifnya, Anda dapat mengunduh paket secara manual dari Indeks Paket Python https://pypi.python.org/pypi/mlxtend, mengekstraknya, menavigasi ke dalam paket, dan menggunakan perintah:

python setup.py install

Konda

Jika Anda menggunakan conda, untuk menginstal mlxtend jalankan saja

conda install -c conda-forge mlxtend 

Versi Pengembang

Versi mlxtend di PyPI mungkin selalu tertinggal satu langkah; Anda dapat menginstal versi pengembangan terbaru dari repositori GitHub dengan menjalankannya

pip install git+git://github.com/rasbt/mlxtend.git#egg=mlxtend

Atau, Anda dapat membagi repositori GitHub dari https://github.com/rasbt/mlxtend dan menginstal mlxtend dari drive lokal Anda melalui

python setup.py install

Contoh

 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 . plotting 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' , 'RBF kernel SVM' , '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 ()

---

Jika Anda menggunakan mlxtend sebagai bagian dari alur kerja Anda dalam publikasi ilmiah, harap pertimbangkan untuk mengutip repositori mlxtend dengan DOI berikut:

 @article{raschkas_2018_mlxtend,
  author       = {Sebastian Raschka},
  title        = {MLxtend: Providing machine learning and data science 
                  utilities and extensions to Python’s  
                  scientific computing stack},
  journal      = {The Journal of Open Source Software},
  volume       = {3},
  number       = {24},
  month        = apr,
  year         = 2018,
  publisher    = {The Open Journal},
  doi          = {10.21105/joss.00638},
  url          = {https://joss.theoj.org/papers/10.21105/joss.00638}
}

• Raschka, Sebastian (2018) MLxtend: Menyediakan utilitas dan ekstensi pembelajaran mesin dan ilmu data ke tumpukan komputasi ilmiah Python. J Perangkat Lunak Sumber Terbuka 3(24).

---

Lisensi

• Proyek ini dirilis di bawah lisensi open source BSD baru yang permisif (LICENSE-BSD3.txt) dan dapat digunakan secara komersial. Tidak ada jaminan; bahkan tidak untuk diperjualbelikan atau kesesuaian untuk tujuan tertentu.
• Selain itu, Anda dapat menggunakan, menyalin, memodifikasi, dan mendistribusikan kembali semua karya kreatif artistik (gambar dan gambar) yang termasuk dalam distribusi ini di bawah direktori sesuai dengan syarat dan ketentuan Lisensi Internasional Creative Commons Attribution 4.0. Lihat file LICENSE-CC-BY.txt untuk detailnya. (Grafik yang dihasilkan komputer seperti plot yang dihasilkan oleh matplotlib berada di bawah lisensi BSD yang disebutkan di atas).

Kontak

Cara terbaik untuk mengajukan pertanyaan adalah melalui saluran Diskusi GitHub. Jika Anda menemukan bug penggunaan, jangan ragu untuk menggunakan pelacak masalah GitHub secara langsung.