- 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 9-5 决策边界
上一小节使用我们自己封装的逻辑回归算法对鸢尾花数据集进行分类实验，实验中的鸢尾花数据集我们只选取了前两个0,1类别（逻辑回归算法只能解决二分类问题），与此同时，只用了样本的前两个特征（为了方便后续的可视化 通过可视化的方式看到了这个复杂的含义，也就是过拟合模型的决策边界非常的不规整，所以接下来尝试一下给k值设置一个比较大的值50，来具体的看一下此时的决策边界是什么样子的？ 通过可视化的方式看到了对于kNN算法来说，模型复杂和简单意味着相应的决策边界的不同。 下一小节将尝试使用多项式回归的思路，改进现有的逻辑回归算法，使得逻辑回归算法能够针对非线性的数据进行更好的分类。
3.1K20发布于 2020-02-26 - 来自专栏mysql
hhdb数据库介绍(9-5)
计算节点支持mysqlbinlog命令，mysqlbinlog命令能够解析binlog文件用于同步增量数据，从而减少了将单机数据迁移至计算节点时的停机时间。使用mysqlbinlog连接远程实例获取binlog文件并解析出其中的SQL语句，然后交由计算节点执行，从而将某个数据库的增量数据导入到计算节点某个逻辑库下。首先，登入到管理端口（默认端口为3325），执行dbremapping命令添加数据库映射关系，关于dbremapping命令用法，请参考计算节点管理命令文档。
44010编辑于 2025-03-26 - 来自专栏IT技术圈（CSDN）
浙大版《C语言程序设计（第3版）》题目集 习题9-5 通讯录排序
习题9-5 通讯录排序 输入n个朋友的信息，包括姓名、生日、电话号码，本题要求编写程序，按照年龄从大到小的顺序依次输出通讯录。题目保证所有人的生日均不相同。
1.4K30发布于 2020-09-15 - 来自专栏Coding迪斯尼
用go做个编译器:语法解析树及其实现
对于算术表达式9-5+2, 由于我们会首先使用list -> list + digit 来进行解析，因此 9-5对应一个list，2对应digit, 因此最终解析完成后，所形成的解析树如下： 使用生产式来定义语法是一件困难的事情 list+list进行解析，一种是使用list->list-list进行解析，如果是后者，那么我们会生成的语法树如下： 这里我们看到两个语法表达式都对应表达式”9-5+2”，但是第一个语法树执行的操作是(9- 对于算术表达式1+2，对应的算术表达式就是1 2 +, 对于表达式(3+4)，对应的后项表达式就是3 4 + , 我们看一个复杂一点的，(9-5)+2 ,首先我们计算(9-5)的后项表达式，也就是9 5
2K50编辑于 2022-03-28 - 来自专栏机器学习与自然语言处理
Stanford机器学习笔记-9. 聚类(Clustering)
如图9-5的(1)所示。 但是，通常这条曲线是渐变的，没有很显然的"肘部"。如图9-5的(2)所示。 ? 图9-5 代价J关于簇数K的曲线图 注意：随着K的增加J应该总是减少的，否则，一种出错情况可能是K均值陷入了一个糟糕的局部最优。 一些其他的方法参见wikipedia。
1.7K110发布于 2018-03-13 - 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 - 来自专栏数据结构与算法
BZOJ1096: [ZJOI2007]仓库建设(dp+斜率优化)
Sample Input 3 0 5 10 5 3 100 9 6 10 Sample Output 32 HINT 在工厂1和工厂3建立仓库，建立费用为10+10=20，运输费用为(9-5)*3 如果仅在工厂3建立仓库，建立费用为10，运输费用为(9-0)*5+(9-5)*3=57，总费用67，不如前者优。 【数据规模】 对于100%的数据， N ≤1000000。
1.3K50发布于 2018-04-13 - 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 - 来自专栏机器学习算法与Python学习
机器学习(7) -- k-means 聚类
如图9-5的(1)所示。 但是，通常这条曲线是渐变的，没有很显然的"肘部"。如图9-5的(2)所示。 ? 图9-5 代价J关于簇数K的曲线图 注意：随着K的增加J应该总是减少的，否则，一种出错情况可能是K均值陷入了一个糟糕的局部最优。 一些其他的方法参见wikipedia。
1.6K50发布于 2018-04-04 - 来自专栏三掌柜的技术空间
吃透大模型系统：提示工程、符号推理、智能体实战全解
它把“上下文工程”讲得非常透彻，而且不是停留在概念层面，作者直接用图 9-5 把一条最常走、最高频的工程动线画出来了： 每一轮推理开始前，系统先把“可用的决策上下文”拼装好，将所需的模板、资源、工具、状态一次性拉齐 ▲上下文工程的 MCP 最佳实现（原书图 9-5） 如果跳过这一步，智能体甚至不知道自己能干什么、该用什么、现在处在什么状态，更谈不上稳定规划和可靠执行。 结合图 9-5，这条动线其实就是一套非常清晰的四步闭环： 1.选择适配当前任务的上下文模板（逻辑分区） 先把上下文结构定型：身份/目标/约束/输出格式如何分区，历史记录与状态存放在哪一块分区，工具与资源放在哪一块分区
49811编辑于 2026-03-03 - 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
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