brew 0.1.4

功能

• 概述：集合、堆叠和混合。
• 集成分类器生成器：bagging，随机子空间，smote bagging，ics bagging，smote ics bagging。
• 动态选择：整体局部精度（ola）、局部类精度（lca）、多分类器行为（mcb）、k-最近点消除（knora-e）、k-最近点联合（knora-u）、先验动态选择、后验动态选择、动态选择knn（dsknn）。
• 合奏组合规则：多数票、最小值、最大值、平均值和中位数。
• 集成多样性度量：熵度量e、kohavi-wolpert方差、q统计量、相关系数p、不一致度量、一致度量、双故障度量。
• 整体修剪：通过个人贡献进行整体修剪（史诗）。

示例

importnumpyasnpimportmatplotlib.pyplotaspltimportmatplotlib.gridspecasgridspecimportitertoolsimportsklearnfromsklearn.linear_modelimportLogisticRegressionfromsklearn.svmimportSVCfromsklearn.ensembleimportRandomForestClassifierfrombrew.baseimportEnsemble,EnsembleClassifierfrombrew.stacking.stackerimportEnsembleStack,EnsembleStackClassifierfrombrew.combination.combinerimportCombinerfrommlxtend.dataimportiris_datafrommlxtend.evaluateimportplot_decision_regions# Initializing Classifiersclf1=LogisticRegression(random_state=0)clf2=RandomForestClassifier(random_state=0)clf3=SVC(random_state=0,probability=True)# Creating Ensembleensemble=Ensemble([clf1,clf2,clf3])eclf=EnsembleClassifier(ensemble=ensemble,combiner=Combiner('mean'))# Creating Stackinglayer_1=Ensemble([clf1,clf2,clf3])layer_2=Ensemble([sklearn.clone(clf1)])stack=EnsembleStack(cv=3)stack.add_layer(layer_1)stack.add_layer(layer_2)sclf=EnsembleStackClassifier(stack)clf_list=[clf1,clf2,clf3,eclf,sclf]lbl_list=['Logistic Regression','Random Forest','RBF kernel SVM','Ensemble','Stacking']# Loading some example dataX,y=iris_data()X=X[:,[0,2]]# Plotting Decision Regionsgs=gridspec.GridSpec(2,3)fig=plt.figure(figsize=(10,8))itt=itertools.product([0,1,2],repeat=2)forclf,lab,grdinzip(clf_list,lbl_list,itt):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()

依赖关系

• Python2.7+
• scikit学习>；=0.15.2
• numpy=1.6.1
• scipy=0.9
• matplotlib>；=0.99.1（仅示例）
• mlxtend（仅限示例）

安装

使用pip：

pip install brew

或者，如果您喜欢最新版本，请从此处获取：

pip install git+https://github.com/viisar/brew.git

重要参考资料

• 组合模式分类器：方法与算法。约翰•威利父子公司，2014年。
• 周志华。集成方法：基础和算法。CRC出版社，2012年。