|
機器學(xué)習(xí) Author：louwill mlxtend是一款高級的機器學(xué)習(xí)擴展庫，可用于日常機器學(xué)習(xí)任務(wù)的主要工具，也可以作為sklearn的一個補充和輔助工具。 mlxtend主要包括以下模塊：
下面分別從分類器、圖像、繪圖和預(yù)處理等幾個模塊來展示mlxtend的強大功能。 分類器 mlxtend提供了多種分類和回歸算法api，包括多層感知機、stacking分類器、邏輯回歸等。以邏輯回歸為例： from mlxtend.data import iris_datafrom mlxtend.plotting import plot_decision_regionsfrom mlxtend.classifier import LogisticRegressionimport matplotlib.pyplot as plt# Loading DataX, y = iris_data()X = X[:, [0, 3]] # sepal length and petal widthX = X[0:100] # class 0 and class 1y = y[0:100] # class 0 and class 1# standardizeX[:,0] = (X[:,0] - X[:,0].mean()) / X[:,0].std()X[:,1] = (X[:,1] - X[:,1].mean()) / X[:,1].std()lr = LogisticRegression(eta=0.1, l2_lambda=0.0, epochs=100, minibatches=1, # for Gradient Descent random_seed=1, print_progress=3)lr.fit(X, y)plot_decision_regions(X, y, clf=lr)plt.title('Logistic Regression - Gradient Descent')plt.show()plt.plot(range(len(lr.cost_)), lr.cost_)plt.xlabel('Iterations')plt.ylabel('Cost')plt.show()圖像 圖像模塊提供了人臉特征點提取的api，示例如下：
可視化展示： fig = plt.figure(figsize=(15, 5))ax = fig.add_subplot(1, 3, 1)ax.imshow(img)ax = fig.add_subplot(1, 3, 2)ax.scatter(landmarks[:, 0], -landmarks[:, 1], alpha=0.8)ax = fig.add_subplot(1, 3, 3)img2 = img.copy()for p in landmarks: img2[p[1]-3:p[1]+3,p[0]-3:p[0]+3,:] = (255, 255, 255)ax.imshow(img2)plt.show()展示人臉特征點：
Coordinates of the Left Eye: [169.33333333 156. ]Coordinates of the Right Eye: [210.83333333 152.16666667]繪圖 mlxtend的繪圖模塊提供了各種機器學(xué)習(xí)輔助繪圖工具，比如分類散點圖、熱圖、決策邊界圖、多分類混淆矩陣圖等等。以多分類混淆矩陣圖為例，sklearn的plot_confusion模塊只提供了繪制二分類的混淆矩陣圖，如果想繪制多分類的混淆矩陣，嘗試使用mlxtend的plot_confusion_matrix函數(shù)。示例如下：
再來看如何繪制模型的決策邊界圖。比如我們想看看SVM在iris數(shù)據(jù)集上的分類效果，嘗試?yán)L制其決策邊界圖： from mlxtend.plotting import plot_decision_regionsimport matplotlib.pyplot as pltfrom sklearn import datasetsfrom sklearn.svm import SVC# Loading some example datairis = datasets.load_iris()X = iris.data[:, [0, 2]]y = iris.target# Training a classifiersvm = SVC(C=0.5, kernel='linear')svm.fit(X, y)# Plotting decision regionsplot_decision_regions(X, y, clf=svm, legend=2)# Adding axes annotationsplt.xlabel('sepal length [cm]')plt.ylabel('petal length [cm]')plt.title('SVM on Iris')plt.show()預(yù)處理 mlxtend預(yù)處理模塊提供了各種數(shù)據(jù)標(biāo)準(zhǔn)化和歸一化方法，這里以分類變量的one-hot編碼為例。mlxtend下的one_hot可對列表或numpy數(shù)組的數(shù)據(jù)進行轉(zhuǎn)換：
from mlxtend.preprocessing import one_hot# listy = [0, 1, 2, 1, 2]one_hot(y)mlxtend其他模塊和更多功能參考官方文檔： http://rasbt./mlxtend/ GitHub源碼地址： https://github.com/rasbt/mlxtend 參考資料： http://rasbt./mlxtend/user_guide |
|
|
