- 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 4-8 scikit-learn中的scaler
本系列是《玩转机器学习教程》一个整理的视频笔记。本小节主要介绍在sklearn中使用数据归一化。
1.4K00发布于 2019-11-13 - 来自专栏脑电信号科研科普
theta悖论:4-8 Hz的EEG振荡既反映睡眠压力又体现认知控制
theta振荡（4—8赫兹）反映了警觉认知控制状态活动和睡眠剥夺，是睡眠状态下压力的标志。本研究中，我们调查了认知任务和睡眠剥夺期间中，脑电位振荡的差异。我们测量了18名年轻健康成年人（9名女性）在3种睡眠剥夺水平下执行6项任务的高密度脑电图。我们发现认知负荷和睡眠剥夺都增加了内侧前额叶皮质区域的theta功率；然而，睡眠剥夺导致了许多额叶其他部位的theta波增加。睡眠剥夺相关的theta(sdTheta）出现位置随任务不同而不同，在视觉空间任务和短时记忆任务中范围最广，在被动音乐学习任务中辅助运动区活动最强，而在空间任务时颞下回皮层最强。此外，任务行为的改变和睡眠剥夺时的theta增加相关，但是相关无任务特异性而且多重校正后不显著。总之，这些结果表示在睡眠剥夺期和认知过程中that a振荡主要发生在与当前行为无关的皮层区域。
1.1K30编辑于 2023-01-16 - 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4-8 高空坠球
习题4-8 高空坠球 皮球从某给定高度自由落下，触地后反弹到原高度的一半，再落下，再反弹，……，如此反复。问皮球在第n次落地时，在空中一共经过多少距离？第n次反弹的高度是多少？
1.7K10发布于 2020-09-15 - 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。 4-8所示。 ▲图4-8 简单的柱状图 我们同样可以在代码中添加label以显示具体数值，例如在每个柱子上显示对应数值，代码如下： option = { xAxis: { type: 'category 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。
4K20发布于 2021-02-05 量化策略验证从 3 天缩短到 3 小时，QClaw 让回测流程自动化了
阶段二：策略参数回测4-8小时-参数设置:调整并确定策略参数的测试范围。-任务生成:批量生成不同的参数组合。-提交与运行:将各个参数组合作为独立回测任务提交，并等待计算完成。 -可视化:生成用于分析的各种图表（如净值曲线、回撤图）。-报告撰写:综合分析与可视化结果，撰写完整的回测报告。从数据中提炼洞察，是评估策略有效性和决定下一步行动的关键。 •报告生成：自动生成对比表格、可视化图表及格式规范的回测对比报告。将原需4-6小时的分析与报告撰写工作自动化，即时产出标准报告，快速定位最优参数组合，杜绝人工汇总错误。 实际时间对比阶段原来耗时QClaw自动化后节省数据准备8-12小时1-2小时~85%策略回测4-8小时无需人工等待~90%结果分析4-6小时30分钟~85%合计约3天约3小时约87%这对量化团队意味着什么
1K10编辑于 2026-03-20- 来自专栏低代码平台
传统开发vs低代码：数字化项目交付周期对比，差距到底有多大？
交付周期差距：数据揭示真相1.典型项目周期对比项目类型传统开发周期低代码开发周期周期缩短率人力需求对比简单应用（如表单系统）4-8周1-3天85%-95%3-5人团队→1-2人（可含业务人员）中等复杂度应用 6个月2-6周70%-85%完整开发团队→2-3人（含业务+技术）复杂企业系统（如ERP/MES）6-12个月1-3个月60%-80%多团队协作→3-5人（可减少50%-70%技术人员）定制化集成项目4- 而低代码平台通过四大核心机制实现周期压缩：可视化开发：用"拖拽+配置"替代70%-90%的重复编码工作，业务人员可直接参与开发组件化复用：预置大量成熟组件和行业模板，避免"从零开始"的低效开发流程自动化 、Vue3等主流技术栈，技术人员可在配置基础上深度拓展3.测试与部署阶段：从"漫长验证"到"一键发布"传统开发：单元测试：1-2周集成测试：1-2周UAT测试：1-2周部署准备与实施：1-2周总耗时：4- 关键评估维度开发效率：是否支持可视化拖拽+AI辅助，能否真正降低技术门槛功能深度：表单、流程、报表等设计器是否足够强大，能否满足复杂业务需求集成能力：是否支持多数据源、多系统集成，API能力是否丰富拓展性
30711编辑于 2026-04-01 - 来自专栏大数据成长之路
scala快速入门系列【偏函数】
示例二 定义一个列表，包含1-10的数字 请将1-3的数字都转换为[1-3] 请将4-8的数字都转换为[4-8] 将其他的数字转换为(8-*] 参考代码 ? 运行结果: List([1-3], [1-3], [1-3], [4-8], [4-8], [4-8], [4-8], [4-8], (8,*), (8,*)) ---- 本期的内容分享就到这里了
40620发布于 2021-01-26 - 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！
87500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 - 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。
3.1K80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。
2.5K10编辑于 2022-12-10 - 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 -
60440发布于 2019-09-20
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