- 综合排序
- 最热优先
- 最新优先
- 来自专栏mysql
hhdb数据库介绍(10-5)
管理用户界面的审计日志主要用来查看管理用户对管理平台的操作记录，同时可查看所有纳管的计算节点集群内普通用户的基本操作。
70210编辑于 2025-03-13 - 来自专栏AI机器学习与深度学习算法
机器学习入门 10-5 精确率和召回率的平衡
本系列是《玩转机器学习教程》一个整理的视频笔记。本小节主要说明精准率和召回率是相互制约、相互矛盾的两个指标，通过选取不同的threshold阈值来观察精准率和召回率的变化。在具体编程中，sklearn没有直接能够传入threshold阈值的函数，但是可以使用算法的decision_function函数计算出样本的score值，然后转换为布尔向量，进而转换为元素为0,1的整型向量，整型向量即为算法在当前阈值下预测的样本类别。
4.6K51发布于 2020-04-26 - 来自专栏机器学习与自然语言处理
Stanford机器学习笔记-10. 降维(Dimensionality Reduction)
10.2.2 Motivation two: Visualization 我们可以知道，但特征量维数大于3时，我们几乎不能对数据进行可视化。所以，有时为了对数据进行可视化，我们需要对其进行降维。 想要研究国家的经济情况并进行可视化，我们可以选出两个具有代表性的特征量如GDP和人均GDP，然后对数据进行可视化。如图10-3所示。 ? 在10.1节我们默认以红色线所画平面(不妨称之为平面s1)为2维平面进行投影(降维)，投影结果为图10-5的(1)所示，这样似乎还不错。那为什么不用蓝色线所画平面（不妨称之为平面s2）进行投影呢? 可以想象，用s2投影的结果将如图10-5的(2)所示。 ? 图10-4 样本在3维正交空间的分布 ? 图10-5 样本投影在2维平面后的结果 由图10-4可以很明显的看出，对当前样本而言，s1平面比s2平面的最近重构性要好（样本离平面的距离更近）；由图10-5可以很明显的看出，对当前样本而言，s1平面比
1K80发布于 2018-03-13 - 来自专栏机器学习算法与Python学习
机器学习(8) -- 降维
10.2.2 Motivation two: Visualization 我们可以知道，但特征量维数大于3时，我们几乎不能对数据进行可视化。所以，有时为了对数据进行可视化，我们需要对其进行降维。 想要研究国家的经济情况并进行可视化，我们可以选出两个具有代表性的特征量如GDP和人均GDP，然后对数据进行可视化。如图10-3所示。 ? 在10.1节我们默认以红色线所画平面(不妨称之为平面s1)为2维平面进行投影(降维)，投影结果为图10-5的(1)所示，这样似乎还不错。那为什么不用蓝色线所画平面（不妨称之为平面s2）进行投影呢? 可以想象，用s2投影的结果将如图10-5的(2)所示。 ? 图10-4 样本在3维正交空间的分布 ? 图10-5 样本投影在2维平面后的结果 由图10-4可以很明显的看出，对当前样本而言，s1平面比s2平面的最近重构性要好（样本离平面的距离更近）；由图10-5可以很明显的看出，对当前样本而言，s1平面比
1.2K100发布于 2018-04-04 - 来自专栏完美Excel
VBA专题10-5：使用VBA操控Excel界面之隐藏取消隐藏及最小化功能区
可以重命名和隐藏内置选项卡和内置组，改变其在功能区中的顺序。然而，不能重命名和隐藏内置控件，修改内置控件的图标，修改功能区内置组中内置控件的顺序。
4.3K30发布于 2020-08-17 - 来自专栏前端知识分享
第27天：js-表单获取焦点和数组声明遍历
45 46
- 47 上证指数364110 48
49- 50 上证指数364110 51
52- 53 上证指数364110 54
55- 56 上证指数364110 57
58- 59 上证指数364110
4.6K20发布于 2018-09-11 - 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10-5 递归计算Ackermenn函数
习题10-5 递归计算Ackermenn函数 本题要求实现Ackermenn函数的计算，其函数定义如下： ?
84710发布于 2020-09-15 - 来自专栏气python风雨
计算整层水汽通量散度是先积分后散度还是先散度后积分？
温馨提示 由于可视化代码过长隐藏，可点击运行Fork查看 若没有成功加载可视化图，点击运行可以查看 ps:隐藏代码在【代码已被隐藏】所在行，点击所在行，可以看到该行的最右角，会出现个三角形，点击查看即可 cbar = fig.colorbar(im, ax=ax, orientation='horizontal', pad=0.05) cbar.set_label('Divergence 10 cbar = fig.colorbar(im, ax=ax, orientation='horizontal', pad=0.05) cbar.set_label('Divergence 10
92721编辑于 2025-03-24 - 来自专栏气python风雨
基于WRFOUT计算相对涡度，绝对涡度，位涡并可视化
下面将展示如何从WRFOUT数据中计算相对涡度，绝对涡度，位涡及其可视化 相对涡度 实际上我们天气学所用的相对涡度应该称之为：相对涡度的垂直分量 导入计算与可视化库 from wrf import uvmet getvar(wrf_file, 'avo', timeidx=0) avo850 = interplevel(avo, p, 850) avo850 由wrfpython内部计算得到的绝对涡度，其单位是10
1.8K10编辑于 2024-06-20 - 来自专栏Hadoop数据仓库
维度模型数据仓库（十五） —— 多重星型模式
实际生产环境每天定期装载应该共用一个调度，也即应该把清单（五）- 10-5里的脚本并入每天定期装载脚本中，并且针对使用cdc_time表做相应的修改。 -5 Kettle定期装载工厂维度表和产品事实表如图（五）- 10-5到图（五）- 10-22所示。 图（五）- 10-5 图（五）- 10-6 图（五）- 10-7 图（五）- 10-8 图（五）- 10-9 图（五）- 10-10 图（五）- 10-11 运行完清单（五）- 10-5里的脚本以后，需要把系统日期设置成任意晚于上一篇“杂项维度”设置的日期。这里设置系统日期为2015年3月18日。 先把系统日期设置为2015年3月19日，然后执行清单（五）- 10-5里的脚本或对应的Kettle定期装载作业。
66020编辑于 2022-12-02 - 来自专栏全栈程序员必看
SQL可视化工具_可视化工具tableau
SQLite的可视化工具 下载地址：https://sqlitestudio.pl/index.rvt?
2.3K10编辑于 2022-09-20 - 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！
80600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）。
96830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。
98900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。
11.2K50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。
1.5K10编辑于 2025-01-22 - 来自专栏全栈程序员必看
数据可视化编程实战_大数据可视化
以R可视化为桥梁 经常有对比R，Python和Julia之间的讨论，似乎R语言在这三者之中是最为逊色的，实则不可一概而论。 R语言在常规数据分析的场景下，如数据读入，预处理，整理，以及单机可视化方面表现出的优势，无论从用户体验，还是代码流畅度，令另两种语言略逊一筹。 本文将从统计学中最基本的密度曲线的绘制，来串讲一下题目中所涉及的R语言可视化中三个强大的可视化包的用法，以及之间的联系。 终于，可以引出第一个可视化包ggplot2了，这个包在统计学界名气很大，功能也极为成熟，是R语言可视化中不可回避的内容。 8 利用shiny生成 交互式可视化 shiny是R生态系统中一个准企业级的交互式可视化工具，在用户界面体验方面有极佳的表现。
9.6K20编辑于 2022-11-17 - 来自专栏思影科技
脑电机器学习数据处理业务
区域的分辨率可调节（如按照10-5、10-20系统选择通道）。 ? 图示.各组别各波段的功率谱密度分布。 3.信息论特征。 一、结果汇报&可视化 结果汇报内容包括： （1）对于分类模型，可汇报敏感性、特异性、总精度、曲线下面积等精度指标； （2）对于回归模型，可以汇报相关值、MSE、MAE等精度指标； （3 图示.精度结果可视化案例。 ? 图示.ROC曲线可视化。 图示.频谱特征结果可视化案例。 五、定制化服务 ? 图示.工程师在讨论。 1. 分析方法可定制。思影科技可根据您提供的模板文献，基于您的实验数据，实现文献中使用的数据分析方法。 3.可视化方案可定制。如果您有特殊的可视化方案要求，也可与我们协商实现。
1.1K20发布于 2020-05-11 - 来自专栏全栈程序员必看
可视化篇：效果图_可视化建模
写在最前 在做可视化的时候，理解自己做的每个图形展示的意义，是多么的至关重要 每做一张图的时候，我都在想，该如何阐述图形背后的故事 下面是一些效果图，每张图，都只为更好地反应数据背后的那段故事
91050编辑于 2022-09-27 - 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
3.3K20发布于 2020-12-22
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