这个项目能做什么
Mlxtend（机器学习扩展）是一个 Python 库，为日常数据科学任务提供实用工具。它主要用于：
- 集成方法，如堆叠和投票分类器
- 特征选择和特征提取技术
- 可视化功能（如决策区域、混淆矩阵）
- 模型分析的绘图辅助工具
- 频繁模式挖掘，包括用于关联规则挖掘的 Apriori 算法
Sebastian Raschka 2014-2026
## 链接
- **文档：** [https://rasbt.github.io/mlxtend](https://rasbt.github.io/mlxtend)
- PyPI：[https://pypi.python.org/pypi/mlxtend](https://pypi.python.org/pypi/mlxtend)
- 更新日志：[https://rasbt.github.io/mlxtend/CHANGELOG](https://rasbt.github.io/mlxtend/CHANGELOG)
- 贡献指南：[https://rasbt.github.io/mlxtend/CONTRIBUTING](https://rasbt.github.io/mlxtend/CONTRIBUTING)
- 问题？请参阅 [GitHub Discussions 板块](https://github.com/rasbt/mlxtend/discussions)
## 安装 mlxtend
#### 使用 uv
要将 mlxtend 添加到 uv 管理的项目中，请运行
```bash
uv add mlxtend
```
如果只需一次性使用而不影响当前项目，可运行
```bash
uv run --with mlxtend python -c "import mlxtend; print(mlxtend.__version__)"
```
#### 开发版本
PyPI 上的 mlxtend 版本可能总是滞后一步；您可以通过执行以下命令从 GitHub 仓库安装最新的开发版本
```bash
uv add "mlxtend @ git+https://github.com/rasbt/mlxtend.git"
```
或者，您可以从 https://github.com/rasbt/mlxtend fork 仓库，并通过本地签出运行 mlxtend：
```bash
git clone https://github.com/<your_username>/mlxtend.git
cd mlxtend
uv sync --group dev
uv run python -c "import mlxtend; print(mlxtend.__version__)"
```
## 示例
```python
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
# 初始化分类器
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')
# 加载示例数据
X, y = iris_data()
X = X[:,[0, 2]]
# 绘制决策区域
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()
```
如果您在科学研究中使用了 mlxtend，请考虑引用以下 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: Providing machine learning and data science utilities and extensions to Python's scientific computing stack.
J Open Source Softw 3(24).
## 许可证
- 本项目采用宽松的 BSD 新开源许可证发布（[LICENSE-BSD3.txt](https://github.com/rasbt/mlxtend/blob/master/LICENSE-BSD3.txt)），可用于商业目的。不提供任何担保，包括适销性或特定用途适用性的担保。
- 此外，您可以根据知识共享署名 4.0 国际许可协议的条款和条件，使用、复制、修改和重新分发本发行版中包含的所有艺术创意作品（图表和图片）。详见 [LICENSE-CC-BY.txt](https://github.com/rasbt/mlxtend/blob/master/LICENSE-CC-BY.txt) 文件。（由 matplotlib 生成的计算机图形等受上述 BSD 许可证约束）。
## 联系
通过 [GitHub Discussions 频道](https://github.com/rasbt/mlxtend/discussions)提问是最佳方式。如果遇到使用 bug，请直接使用 [GitHub Issue 追踪器](https://github.com/rasbt/mlxtend/issues)。
评论
0 评分人数达到10人后显示
登录后参与讨论。