- 综合排序
- 最热优先
- 最新优先
- 来自专栏初见Linux
11-2 环境是如何建立的
在普通用户看来 ~/.bashrc 可能是最重要的启动文件，因为系统几乎总是要读取。non-login shell 会默认读取 ~/.bashrc ，而大多数login shell 的启动文件也能 以读取 ~/.bashrc 文件的方式来编写。
57910发布于 2020-08-11 - 来自专栏Lan小站
试题 算法提高 11-2删除重复元素
为库设计新函数DelPack，删除输入字符串中所有的重复元素。不连续的重复元素也要删除。 要求写成函数，函数内部使用指针操作。
33520编辑于 2022-07-13 - 来自专栏AI机器学习与深度学习算法
机器学习入门 11-2 SVM背后的最优化问题
本系列是《玩转机器学习教程》一个整理的视频笔记。本小节从SVM算法的基本思想推导成最终的最优化数学表达式，将机器学习的思想转换为数学上能够求解的最优化问题。SVM算法是一个有限定条件的最优化问题。
2.5K72发布于 2020-06-10 - 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11-2 查找星期
习题11-2 查找星期 本题要求实现函数，可以根据下表查找到星期，返回对应的序号。
2.1K30发布于 2020-09-15 - 来自专栏A周立SpringCloud
如何自定义微服务的Instance ID
这样设置后，效果如图11-2所示。 ? 图11-2 Eureka Server上的微服务列表 拓展阅读 Spring Cloud初始化Instance ID的相关代码： org.springframework.cloud.netflix.eureka.EurekaClientAutoConfiguration
1.8K40发布于 2018-04-02 - 来自专栏全栈程序员必看
latex中插入图片[通俗易懂]
\subfigure[11-1]{ %小图题的名称 \includegraphics[width=4cm]{11-1}} \hspace{0in} \subfigure[11 -2]{ \includegraphics[width=4cm]{11-2}} \caption{两张图片公用的图题} \end{figure} 这里第二中方法和第三种方法的不同之处在于第二种方法中排版两张图片后图片的图题编号会向后增加
4.1K20编辑于 2022-09-06 - 来自专栏Hadoop数据仓库
维度模型数据仓库（十六） —— 间接数据源
清单清单（五）-11-2给出了修改后的推广期导入脚本。 q.month <= r.end_month and p.year = q.year and p.month = q.month; COMMIT ; 清单（五）-11 图（五）- 11-1 图（五）- 11-2 图（五）- 11-3 图（五）- 11-4 图（五）- 11-5 图（五）- 11-6 现在测试新脚本
52940编辑于 2022-12-02 - 来自专栏全栈程序员必看
二代身份证号码验证器[超简单]
第十八位的数字是根据ISO 7064:1983.MOD 11-2校验码算法计算出来的 <script> function checkIDCard(idcode){ // 加权因子 var last = idcode[17];//最后一位 var seventeen = code.substring(0,17); // ISO 7064:1983.MOD 11
2.2K20编辑于 2022-09-14 - 来自专栏个人教程
使用Python计算18位身份证号最后一位校验码（ISO 7064:1983.MOD 11-2）
原理 校验算法有标准，叫ISO 7064:1983.MOD 11-2，这里简述下方法 计算方法 1.
3.4K10编辑于 2024-03-11 - 来自专栏nginx
基于 Python 的公共自行车借用量分析与预测
1.2 项目目标 数据分析：深入挖掘历史借用量数据中的规律，分析关键影响因素； 借用量预测：基于历史数据，构建预测模型，给出未来特定时间的借用量预测结果； 可视化展示：通过图表展示分析结果与预测效果，为决策提供直观依据 借用量时序趋势 通过对 count 字段进行时间序列分析，可以得出以下趋势： 按年变化：借用量呈现逐年上升趋势，反映出公共自行车服务的普及程度逐步提高； 按月变化：借用量在夏季（5-9月）达到峰值，冬季（11 五、结果分析与可视化 5.1 预测结果展示 将模型预测结果与实际值进行对比，可视化如下： 折线图：显示测试集时间序列中的预测值与实际值对比； 散点图：分析模型的预测误差分布。
32310编辑于 2025-11-15 - 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?
2.5K10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！
87600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）。
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。
1K00编辑于 2023-11-29 - 来自专栏软件开发
C语言 第六章 多重循环
for(k=1;k<=i-1;k++) { printf(" "); } for(j=1;j<=11 { printf("*"); } printf("\n"); } } /* 1 1 4 0 9 11
1.3K50发布于 2018-01-03 - 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。
11.3K50发布于 2017-06-13 - 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。
9.9K20编辑于 2022-11-17 - 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。
1.7K10编辑于 2025-01-22 - 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
98050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
3.4K20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