一.满意度的定义 消费者的满意度是取决于他们对企业所提供的产品和服务的事前期待,与实际(感知)效果之间的比较后,用户形成的开心或失望的感觉.就是说,如果购后在实际消费中的实际效果与事前期待相符合,则感到满意:超过事前期待,则很满意:未能达到事前期待,则不满意或很不满意. 二.模型简介 KANO模型是狩野纪昭等人发明的对用户需求分类和优先排序的工具,以分析用户需求对用户满意的影响为基础,体现了产品性能和用户满意之间的非线性关系.该模型将产品服务的质量特性分为五类: 兴奋(魅力)型需求:用户意想不到

[本文出自天外归云的博客园] 需求 1. Vue中使用ECharts画散点图 2. 在图中加入加均值线 3. 在图中标注出阴影区域 实现 实现这个需求,要明确两点: 1. 知道如何在vue中使用echarts 2. 要知道如何在echarts散点图中画均值线和阴影区域 在下面的代码option对象的series属性中用到了markLine和markArea,标注最值用到了markPoint. 所以去官方文档搜索标线.标点.标图的关键字要搜mark. 如何在vue中使用echarts见文末. 需要

在机器学习中,经常要用scikit-learn里面的线性回归模型来对数据进行拟合,进而找到数据的规律,从而达到预测的目的.用图像展示数据及其拟合线可以非常直观地看出拟合线与数据的匹配程度,同时也可用于后续的解释和阐述工作. 这里利用Nathan Yau所著的<鲜活的数据:数据可视化指南>一书中的数据,学习画图. 数据地址:http://datasets.flowingdata.com/unemployment-rate-1948-2010.csv 准备工作:先导入matplotlib和pand

前言: 任何一个互联网产品,哪怕是一个简单的页面,也会涉及到很多的需求,产品经理也会经常遇到这样的情况:老板,业务提的各种新需求一下子都扎堆,哪个需求对用户来说最重要,用户对我们的新功能是否满意?开发产品资源有限,开发.设计.测试人手总是不够用,这么多需求没办法都做,先做哪些需求? 这些都不应该是PM拍脑袋想出来的,其实产品经理的基本要求就是在有限的资源上,通过优化产品设计,提炼出正确.有效的需求,尽量避免在后续的设计.开发中临时改需求,至少要做到框架级的需求不大改,那么如何不用大脑YY出来或者

4 回归 之前有转载过一篇文章:容量推荐引擎:基于吞吐量和利用率的预测缩放,里面用到了基本的线性回归来预测容器的资源利用情况.后面打算学一下相关的知识,译自:Machine Learning With Go 我们将探究的第一组机器学习技术通常被称为回归(regression),我们可以将回归理解为一个变量(例如销售额)的变化是如何影响到其他变量(如用户数)的.对于机器学习技术来说,这是一个很好的开端,它们是构成其他更加复杂技术的基础. 机器学习中的回归技术通常会注重评估连续值(如股票价格.温度或

RColorBrewer是一个R包,使用http://colorbrewer2.org/这个网站提供的颜色.我们画一个包括八个box的boxplot时,或者在x-y散点图上画六条线时,该怎样选择颜色呢?这个包就可以帮你. =======哪些颜色系可以使用?=======让我们先看看RColorBrewer给我们提供了哪些颜色系.将如下代码写进test.R并运行.(运行方式:R CMD BATCH test.R)### Load the package or install if not pres

一丶numpy和matplotlib学习笔记 1. NumPy是Python语言的一个扩充程序库.支持高级大量的维度数组与矩阵运算,此外也针对数组运算提供大量的数学函数库.Numpy内部解除了Python的PIL(全局解释器锁),运算效率极好,是大量机器学习框架的基础库! 接下来让我们看看Numpy的简单应用 Numpy简单创建数组 import numpy as np # 创建简单的列表 a = [1, 2, 3, 4] # 将列表转换为数组 b = np.array(b) Numpy查看数组

本章開始学习<Forecasting: principles and practice> 1 getting started 1.1 事件的可预言性 一个时间能不能被预言主要取决于以下三点 1. 对事件的影响因素的了解程度.比方彩票号码.没有内在的影响因素不能被预測 2. 可用数据量的多少,数据量太少没法预測 3. 预測结果本身的影响,比方预測汇率,可能大家知道预測的会长,那么人们就会採取对应的措施使预測结果不准. 1.2 经常使用预測模型 解释性模型,如其模型内包括其影响因素,通过影响因素来

可以看链接:https://blog.csdn.net/unixtch/article/details/78820654 1.import seaborn as sns 2.seaborn的主题风格(5种):如黑底.白底.要格子.不要格子等.sns.set_style("dark") (1)sns.set():想使用seaborn默认样式可以采用set函数, (2)seaborn预先定义了5中主题样式,以适合不同场景需要,分别是:darkgrid, whitegrid, dark, w

MIC:the Maximal Information Coefficient,是用网格分法判断数据的集中程度的一个标准. MIC所依据的理念是,如果2个变量之间存在着一种关系,那么就应该有一种方法在那些变量的散点图上画一个网格,使得大多数的数据点集中在该网格的几个单元格中. 通过搜寻这种“最适合”的网格,计算机可以计算MIC及一族可用来发现并描绘关系的相关的统计数据. 这一族统计数据被称作“最大的基于信息的非参数性探索” 或MINE.

之前在不经意间也有接触过求突变点的问题.在我看来,与其说是求突变点,不如说是我们常常玩的"找不同".给你两幅图像,让你找出两个图像中不同的地方,我认为这其实也是找突变点在生活中的应用之一吧.回到找突变点位置上,以前自己有过一个傻傻的方法:就是直接求前后两个采样的的差分值,最后设置一个阈值,如果差分值大于这个阈值则该点是突变点.但这个方法问题很大,实际中突变点幅值有大有小,你怎么能确定阈值到底是多少呢?还有可能信号本来的差分值就比你那突变点的差分值还要大.所以这种方法在信号或噪声稍微复杂

使用seaborn画图时,经常不知道该该用什么函数.忘记函数的参数还有就是画出来的图单调不好看. 所以,本人对seaborn的一些常用的画图函数,并结合实例写成了代码,方便以后查询和记忆. 若代码或注释有错误,请大佬评论或邮箱指出,感激不尽. import warnings warnings.filterwarnings('ignore') import numpy as np import pandas as pd import matplotlib.pyplot as plt import

import matplotlib.pyplot as plt plt.plot([1,2,3],[4,5,6],'ro') plt.show()#这个智障的编辑器 这样的话,就可以画一个散点图,图中的点分别是(1,4).(2,5).(3,6). 是不是挺难看的,我们来调整一下x,y 的上下界,再画一遍. import matplotlib.pyplot as plt plt.xlim(xmax=7,xmin=0) plt.ylim(ymax=7,ymin=0) plt.plot([1,2,3]

#coding=utf-8 """ 用matplotlib.pyplot画简单的折线图,直方图,散点图 """ import matplotlib.pyplot as plt x=[1,2,3,4,5,6] y=[0.4,0.5,2,4,6,1] #画折线图 plt.plot(x,y) plt.xlabel("x") plt.ylabel("y") plt.title("line chart&qu

2.1.身高和体重实例 import matplotlib.pyplot as plt height = [161,162,163,164,165] weight = [50,60,70,80,90] plt.scatter(height,weight) plt.show() 运行生成散点图 In [48]: %run sandian.py 2.2.股票涨幅实例 #股票涨幅 import numpy as np import matplotlib.pyplot as plt #收盘和开盘的数据

Matplotlib里有两种画散点图的方法,一种是用ax.plot画,一种是用ax.scatter画. 一. 用ax.plot画 ax.plot(x,y,marker="o",color="black") 二. 用ax.scatter画 ax.scatter(x,y,marker="o",s=sizes,c=colors) ax.plot和ax.scatter的区别: ax.plot:各散点彼此复制,因此整个数据集中所有的点只需配置一次颜色和大小

python中画散点图 示例代码: import numpy as np import matplotlib.pyplot as plt from mpl_toolkits.mplot3d import Axes3D data = np.random.randint(0, 255, size=[40, 40, 40]) x, y, z = data[0], data[1], data[2] ax = plt.subplot(111, projection='3d') # 创建一个三维的绘图工程

在上一个博客中,我们构建了随机森林温度预测的基础模型,并且研究了特征重要性. 在这个博客中,我们将从两方面来研究数据对预测结果的影响 第一方面:特征不变,只增加样本的数据 第二方面:增加特征数,增加样本的数据 1.sns.pairplot 画出两个变量的关系图,用于研究变量之间的线性相关性,sns.pattle([color]) 用于设置调色板, 有点像scatter_matrix 2.MSE   round(abs(pred - test_y).mean(), 2)  研究预测值与真实值之差的

对于matplotlib.pyplot( as plt ) 先输入主体数据部分: import numpy as np import matplotlib.pyplot as plt X_train = np.array([[1,2,3],[2,3,4],[2,2,1],[3,2,2]]) X_test = np.array([[1,1,1],[2,1,1]]) y_train = np.array([1,1,-1,1]) y_test = np.array([1,-1]) 我们先做二维图:(取

刚开始接触Python,照着例子写的代码,百度注释的. from numpy import * import matplotlib import matplotlib.pyplot as plt import numpy as np x = random.rand(50,30) #创建一个50行30列的多维数组(ndarray) #basic f1 = plt.figure(1) #创建显示图形输出的窗口对象 plt.subplot(211) #创建子坐标系 #x[:,1]获取第二列作为一维数组