- 综合排序
- 最热优先
- 最新优先
- 来自专栏AI机器学习与深度学习算法
机器学习入门 4-9 更多有关k近邻算法的思想
本系列是《玩转机器学习教程》一个整理的视频笔记。本小节主要使用kNN算法解决回归问题的思路以及回顾总结前面学习到的知识。
64200发布于 2019-11-13 - 来自专栏华章科技
手把手教你用ECharts画柱状图
导读：柱状图主要用于表示离散数据的频数，也是一种基础可视化图。 4-9所示。 ▲图4-9 简单的柱状图加入label 02 聚合柱状图 除了简单的柱状图，在实际场景中也会经常用到聚合柱状图，以更直观地比较各维度信息。 这里的堆叠效果主要是通过stack参数决定的，当我们删除A商场的stack参数，并将B商场和C商场的stack参数改为“总量1”之后，其可视化结果如图4-13所示。 本文摘编自《ECharts数据可视化：入门、实战与进阶》，经出版方授权发布。
4.1K20发布于 2021-02-05 - 来自专栏二猫の家
GEE代码实例教程详解：地表温度长时间序列分析
通过结合Landsat 4-9的数据，我们将探索1982年至2024年间地表温度的变化趋势。 加载Landsat数据集 加载Landsat 4-9的数据集，并根据时间范围、地理范围和质量条件进行筛选。 3. 可视化LST时间序列 使用ui.Chart.image.series打印LST随时间变化的图表。 6. 导出数据 将2019-2020年的LST图像导出到Google Drive。
1.2K10编辑于 2024-07-09 - 来自专栏二猫の家
GEE代码实例教程详解：长时间序列NDVI分析
, 'SR_B4']).rename('ndvi'); return ndvi.copyProperties(img, img.propertyNames()); } // 筛选Landsat 4- 筛选和处理Landsat数据集 分别筛选Landsat 4-9的数据集，应用相应的NDVI计算函数，并处理SLC偏移问题。 6. 可视化NDVI时间序列 使用ui.Chart.image.series打印NDVI时间序列图表。 8. 导出数据 将2010年的NDVI图像导出到Google Drive。
2.2K11编辑于 2024-07-09 尼康五年来首度营业亏损，下调全年光刻机销量
11月6日，日本相机及光刻机大厂尼康（Nikon）公布了2026财年上半年（2025年4-9月）财报。 从主营业务来看，今年4-9月期间精机业务（包含半导体光刻、FPD光刻设备）营收较去年同期减少14.3%至698.86亿日元、营业利润受益于结构改革效益而暴涨222.6%至30.44亿日元；图像业务（相机业务 从产品销量来看，4-9月期间，尼康半导体光刻机销量为9台，低于去年同期的10台；FPD光刻设备销量为15台，低于去年同期的16台；尼康单反相机全球销售量同比增长17%至48万台、更换用镜头销售量同比增长
60010编辑于 2026-03-19- 来自专栏人工智能头条
资源 | Python数据分析课程：从入门到实战
以下是课程内容介绍： ▌课程主题 介绍/审查命令行 Python 基础知识及其数据类型 数据分析软件包 Numpy 和 Pandas 绘图软件包 Matplotlib 和 Seaborn 统计学 常用表达 交互式可视化 第 4-9 课将介绍如何使用 Python 进行编程。主要内容将是 Learn Python 3 the Hard Way。
1.6K30发布于 2018-06-05 - 来自专栏深度学习和计算机视觉
【从零学习OpenCV 4】直方图匹配
在代码清单4-9中给出了实现直方图匹配的示例程序。 程序中待匹配的原图是一个图像整体偏暗的图像，目标直方图分配形式来自于一张较为明亮的图像，经过图像直方图匹配操作之后，提高了图像的整体亮度，图像直方图分布也更加均匀，程序中所有的结果在图4-8、图4-9给出 代码清单4-9 myHistMatch.cpp图像直方图匹配 1. #include <opencv2\opencv.hpp> 2. #include <iostream> 3. 4. 图4-9 myHistMatch.cpp程序中给图像的直方图
3.1K30发布于 2019-12-24 - 来自专栏计算机魔术师
【机器学习 | 可视化】回归可视化方案
欢迎大家订阅该文章收录专栏 [✨--- 《深入解析机器学习：从原理到应用的全面指南》 ---✨]@toc回归可视化方案在评估回归模型效果时，可以使用多种可视化方案来直观地比较实际值和预测值之间的差异。 以下是几种常见的回归模型评估可视化方案和相应的Python代码模板：对角线图：对角线图用于比较实际值和预测值之间的差异。 plt.xlabel('Actual Values')plt.ylabel('Residuals')plt.title('Residual Plot')plt.show()拟合曲线图：可以绘制拟合曲线来可视化模型的拟合效果 ', label='Predicted')plt.xlabel('X')plt.ylabel('Y')plt.title('Fitted Curve')plt.legend()plt.show()这些可视化方案提供了不同的角度和方法来评估回归模型的效果 根据数据和模型的特点，可以选择适合的可视化方案或结合多种方案来全面评估模型的性能。 到这里，如果还有什么疑问欢迎私信博主问题哦，博主会尽自己能力为你解答疑惑的！
94000编辑于 2023-11-29 - 来自专栏医学和生信笔记
R可视化：R可视化教程来了！
从本周开始会每周推送1~2次高质量R可视化内容，本系列内容来自github上面超级火爆的R语言可视化项目：tidyTuesday。 tidyTuesday每周更新数据，大佬们会使用这些数据集自由创作出各种高质量的R语言可视化作品，是学习R语言数据分析和可视化极好的素材。 热情的小伙伴把这些内容整理到CSDN中，方便大家学习，每个例子会展示多个可视化方案，均配有完整源代码和数据（为了便于理解，部分重要步骤均添加了注解）。
1.1K30编辑于 2022-11-15 - 来自专栏计算机魔术师
【机器学习 | 可视化系列】可视化系列 之 决策树可视化
Embedding）是一种降维和可视化技术，用于将高维数据映射到二维或三维空间中。 因为t-SNE能够捕捉到复杂、非线性结构以及聚类效应，所以它通常被用于可视化高维数据集中不同类别或群组之间的分布关系。 决策树可视化scikit-learn（sklearn）的tree模块提供了一个方便的函数plot_tree，用于可视化决策树模型。 你可以使用以下步骤来使用plot_tree函数进行可视化（以iris数据集为例）：导入必要的库和模块：在Python脚本中，导入tree模块和matplotlib.pyplot库：可视化决策树：使用plot_tree 函数可视化决策树模型。
1.1K00编辑于 2023-11-29 - 来自专栏腾讯大数据可视化设计团队的专栏
遇见大数据可视化：可视化系统搭建
如何搭建数据可视化系统，使复杂和庞大数据用丰富的设计语言清晰表达，并形成鲜明的设计风格？我们把数据可视化的元素进行拆分并建立相应的规范体系。 a、明确目标 明确数据可视化的目标，通过数据可视化我们要解决什么样的问题，需要探索什么内容或陈述什么事实。 [1497331969668_374_1497331969874.jpg] 3.动效设计 目前越来越多的可视化展示的数据都是实时的，所以动效在可视化项目中的应用越来越广泛，动效设计肩负着承载更多信息和丰富画面效果的重要作用 a、 信息承载 在可视化设计中经常遇到，非常多的数据信息需要展示在一个大屏幕上。 保证可视化图的清晰辨识度，色调与明度变化需要有跨度。
11.5K50发布于 2017-06-13 - 来自专栏智能大数据分析
【数据可视化技术】数据可视化概述&工具
本章简单介绍数据可视化的发展历史、可视化工具分类，重点结合ECharts介绍Web可视化组件生成方法，并给出Java Web开发与相关大数据组件的数据集成，以展现数据可视化结果。 一、数据可视化概述 （一）基本概念 数据可视化，是指将结构或非结构化的数据转换成适当的可视化图表，然后将隐藏在数据中的信息直接展现在人们面前，是一种关于数据视觉表现形式的科学技术研究。 （三）基本方式 进入20世纪，数据可视化有了飞跃性的发展。数据可视化的方式可以分为面积与尺寸可视化、颜色可视化、图形可视化、地域空间可视化和概念可视化等。 二、数据可视化工具 根据可视化工具的使用方式使用用户的不同，可分为桌面数据可视化技术（如Excel、R可视化和Python可视化等）、在线数据可视化技术（Oracle BI、Superset SuperSet可以支持十几种可视化图表，用于将查询返回的数据做可视化展示，但是其可视化目前只支持每次可视化一张表，不支持join连接，且过于依赖数据库的快速响应。
1.9K10编辑于 2025-01-22 - 来自专栏好奇心Log
Python可视化 | 风玫瑰图可视化示例
https://github.com/python-windrose/windrose pip install windrose pip install git+https://github.com/python-windrose/windrose git clone https://github.com/python-windrose/windrose python setup.py install from windrose import WindroseAxes from matplotlib im
3.5K20发布于 2020-12-22 - 来自专栏大数据
数据可视化
今天我们来聊一波有趣的数据可视化。 首先，我们先讲一下我们今天要用到的数据。
3.2K80发布于 2018-01-29 - 来自专栏HT
ETC 可视化
）的数据进行丰富的可视化展示。 系统分析 ETC 可视化 ETC 门架系统一种高速不停车收费的设施。 管理者通过图扑 Hightopo 可视化管理平台进行人流监控可以建立人流预警机制。 停车位可视化 通过智慧化车位检测器，可实时更新车位使用情况，实现服务区车位信息可视化。 管线管理 管线可视化内容通常分为网络链路可视化、暖通管道可视化、电气线路可视化等管线类型的可视化展示。 、电池组、电池柜、电力监控通讯柜、开关柜、主控柜）等链路可视化功能。
2.6K10编辑于 2022-12-10 - 来自专栏光城(guangcity)
可视化PLA
可视化PLA 0.说在前面 1.实现 2.作者的话 0.说在前面 之前Perceptron Learning Algorithm这篇文章详细讲了感知机PLA算法。 前两天买了本统计学习方法，今天早上看了两章，其中第二章就是这个PLA，跟李老师的课程讲的基本一致，本节主要通过python实现这个感知机算法，并通过matlibplot可视化图形，以及终端打印出下图结果 【导包】 分别用于矩阵，表格数据打印，数据可视化。 】 # 可视化表2.1 pt = PrettyTable() pt.add_column("迭代次数",np.linspace(0,8,9,dtype=int)) pt.add_column("误分类点 2.1图 【最终结果可视化】 # 可视化 x = np.linspace(0, 7, 200) # 最终的函数表达式为w[0][0]*x+w[1][0]*y=0,推导后就是下面的式子 y = (-b -
64240发布于 2019-09-20 - 来自专栏R语言学习
tSNE可视化
t-SNE是一种用于探索高维数据的非线性降维算法，非常适合将高维数据降到二维或者三维，在使用散点图等基本图表进行可视化。 绘制t-SNE图 R中Rtsne包Rtsne（）函数能够实现对数据降维，结合geom_point()实现可视化 library(Rtsne) # Load package library(ggplot2
1.9K00发布于 2020-10-08 - 来自专栏数据人生
可视化前端
连上数据库后，可以通过手写SQL方式快速的构建出可视化的看板 Getting Started with Metabase saiku 数据源可以是SQL、kylin。
72020编辑于 2022-09-29 - 来自专栏Python与算法之美
TensorBoard可视化
本节我们介绍TensorBoard可视化。 可视化模型结构：writer.add_graph 可视化指标变化：writer.add_scalar 可视化参数分布：writer.add_histogram 可视化原始图像：writer.add_image 注意，writer.add_scalar仅能对标量的值的变化进行可视化。因此它一般用于对loss和metric的变化进行可视化分析。 三，可视化参数分布 如果需要对模型的参数(一般非标量)在训练过程中的变化进行可视化，可以使用 writer.add_histogram。 它能够观测张量值分布的直方图随训练步骤的变化趋势。 四，可视化原始图像 如果我们做图像相关的任务，也可以将原始的图片在tensorboard中进行可视化展示。 如果只写入一张图片信息，可以使用writer.add_image。
1.3K10发布于 2020-07-20 - 来自专栏大语言模型，算力共享
LLM可视化
目录LLM可视化LLM可视化案例：nanogptGitHub地址：GitHub - bbycroft/llm-viz: 3D Visualization of an GPT-style LLM在线体验地址 ：LLM VisualizationLLM可视化 该项目展示了一个GPT风格网络的工作实现的3D模型。 渲染器还支持可视化任意大小的网络，并与较小的gpt2大小一起工作，尽管权重没有被下载（因为它是数百MB）LLM可视化案例：nanogpt它的目标很简单：接收一个包含六个字母的序列： C B A B B
60610编辑于 2024-08-13
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号