mlxtend

Mlxtend (extensões de aprendizado de máquina) é uma biblioteca Python de ferramentas úteis para as tarefas diárias de ciência de dados.

Sebastian Raschka 2014-2024

Ligações

• Documentação: https://rasbt.github.io/mlxtend
• PyPI: https://pypi.python.org/pypi/mlxtend
• Registro de alterações: https://rasbt.github.io/mlxtend/CHANGELOG
• Contribuindo: https://rasbt.github.io/mlxtend/CONTRIBUTING
• Questões? Confira o quadro de discussões do GitHub

Instalando mlxtend

PyPI

Para instalar o mlxtend, basta executar

pip install mlxtend  

Alternativamente, você pode baixar o pacote manualmente do Índice de Pacotes Python https://pypi.python.org/pypi/mlxtend, descompactá-lo, navegar até o pacote e usar o comando:

python setup.py install

Conda

Se você usa conda, para instalar o mlxtend basta executar

conda install -c conda-forge mlxtend 

Versão de desenvolvimento

A versão mlxtend no PyPI pode estar sempre um passo atrás; você pode instalar a versão de desenvolvimento mais recente do repositório GitHub executando

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

Ou você pode bifurcar o repositório GitHub em https://github.com/rasbt/mlxtend e instalar mlxtend de sua unidade local via

python setup.py install

Exemplos

 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 ()

---

Se você usa mlxtend como parte de seu fluxo de trabalho em uma publicação científica, considere citar o repositório mlxtend com o seguinte DOI:

 @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: Fornecendo utilitários e extensões de aprendizado de máquina e ciência de dados para a pilha de computação científica do Python. J Software de código aberto 3(24).

---

Licença

• Este projeto foi lançado sob uma nova licença permissiva de código aberto BSD (LICENSE-BSD3.txt) e pode ser usado comercialmente. Não há garantia; nem mesmo para comercialização ou adequação a um propósito específico.
• Além disso, você pode usar, copiar, modificar e redistribuir todos os trabalhos artísticos criativos (figuras e imagens) incluídos nesta distribuição sob o diretório de acordo com os termos e condições da Licença Internacional Creative Commons Atribuição 4.0. Consulte o arquivo LICENSE-CC-BY.txt para obter detalhes. (Gráficos gerados por computador, como os gráficos produzidos pelo matplotlib, estão sob a licença BSD mencionada acima).

Contato

A melhor maneira de fazer perguntas é através do canal GitHub Discussions. Caso você encontre bugs de uso, não hesite em usar diretamente o rastreador de problemas do GitHub.