Mlxtend（机器学习扩展库）是一个用于日常数据科学任务的实用工具Python库。 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
• 可视化工具（例如决策区域、混淆矩阵）
• 模型分析的绘图辅助函数
• 频繁模式挖掘，包括用于关联规则挖掘的Apriori算法

塞巴斯蒂安·拉斯奇卡 2014-2026

链接

• 文档： https://rasbt.github.io/mlxtend
• PyPI： https://pypi.python.org/pypi/mlxtend
• 更改日志： https://rasbt.github.io/mlxtend/CHANGELOG
• 贡献指南： https://rasbt.github.io/mlxtend/CONTRIBUTING
• 有问题？请查看 GitHub 讨论区

安装 mlxtend

PyPI

要安装 mlxtend，只需执行以下命令：

pip install mlxtend  

或者，您也可以从 Python 包索引 https://pypi.python.org/pypi/mlxtend 手动下载该包，解压缩后进入包目录，并使用以下命令：

python setup.py install

Conda

如果您使用 conda，只需执行以下命令即可安装 mlxtend：

conda install -c conda-forge mlxtend 

开发版本

PyPI 上的 mlxtend 版本可能总是落后一步；您可以从 GitHub 仓库安装最新的开发版本，执行以下命令：

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

或者，您也可以从 https://github.com/rasbt/mlxtend 分支出一个副本，并通过本地驱动器安装 mlxtend：

python setup.py install

示例

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],
                         ['逻辑回归', '随机森林', 'RBF核支持向量机', '集成'],
                         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()

---

如果您在科学出版物的工作流程中使用了 mlxtend，请考虑引用 mlxtend 仓库，并附上以下 DOI：

@article{raschkas_2018_mlxtend,
  author       = {Sebastian Raschka},
  title        = {MLxtend: 提供机器学习和数据科学实用工具及扩展，以增强 Python 的科学计算栈},
  journal      = {开源软件期刊},
  volume       = {3},
  number       = {24},
  month        = apr,
  year         = 2018,
  publisher    = {开放期刊},
  doi          = {10.21105/joss.00638},
  url          = {https://joss.theoj.org/papers/10.21105/joss.00638}
}

• Raschka, Sebastian (2018) MLxtend：为 Python 的科学计算栈提供机器学习和数据科学实用工具及扩展。 J Open Source Softw 3(24).

---

许可证

• 本项目采用宽松的新 BSD 开源许可证（LICENSE-BSD3.txt）发布，可供商业使用。不提供任何担保，甚至不保证适销性或特定用途的适用性。
• 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、修改和再分发本发行版目录下包含的所有艺术创作作品（图表和图像）。详细信息请参阅文件 LICENSE-CC-BY.txt。（由 matplotlib 等工具生成的计算机图形则适用上述 BSD 许可证。）

联系方式

提问的最佳方式是通过 GitHub 讨论区。如果遇到使用中的错误，请随时直接使用 GitHub 的问题跟踪器。

mlxtend 快速上手指南

mlxtend (machine learning extensions) 是一个专为日常数据科学任务设计的 Python 库。它提供了丰富的工具，主要用于集成学习（如堆叠和投票分类器）、特征选择与提取、可视化辅助（如决策区域、混淆矩阵）以及频繁模式挖掘（如 Apriori 算法）。

环境准备

在开始之前，请确保您的开发环境满足以下要求：

• 操作系统：Linux, macOS, 或 Windows
• Python 版本：Python 3.x
• 前置依赖：
  • numpy
  • scipy
  • scikit-learn
  • matplotlib
  • pandas

提示：如果您使用 Anaconda 发行版，上述大部分依赖已预装。

安装步骤

您可以选择通过 PyPI 或 Conda 进行安装。国内用户推荐使用国内镜像源以加速下载。

方法一：使用 pip 安装（推荐）

使用清华大学或阿里云镜像源安装稳定版：

pip install mlxtend -i https://pypi.tuna.tsinghua.edu.cn/simple

或者使用默认源：

pip install mlxtend

方法二：使用 Conda 安装

如果您使用 Conda 包管理器：

conda install -c conda-forge mlxtend

方法三：安装开发版本

如果需要体验最新功能（可能包含未发布的修复），可从 GitHub 安装：

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

基本使用

以下示例演示了如何使用 mlxtend 构建一个集成投票分类器 (EnsembleVoteClassifier)，并绘制不同模型的决策区域。

该示例结合了逻辑回归、随机森林和 SVM，并展示了如何可视化它们的分类边界。

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

# 1. 初始化基础分类器
clf1 = LogisticRegression(random_state=0)
clf2 = RandomForestClassifier(random_state=0)
clf3 = SVC(random_state=0, probability=True)

# 2. 创建集成投票分类器 (软投票，权重分别为 2, 1, 1)
eclf = EnsembleVoteClassifier(clfs=[clf1, clf2, clf3], weights=[2, 1, 1], voting='soft')

# 3. 加载示例数据 (鸢尾花数据集)，仅使用前两个特征中的第 1 和第 3 列
X, y = iris_data()
X = X[:,[0, 2]]

# 4. 设置绘图布局
gs = gridspec.GridSpec(2, 2)
fig = plt.figure(figsize=(10, 8))

# 5. 训练模型并绘制决策区域
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()

运行上述代码后，您将看到一个包含四个子图的窗口，分别展示了三个单一模型和一个集成模型在二维空间中的决策边界。