ValueError: c of shape (1, 400) not acceptable as a color sequence for x with size 400, y with size 400 # Visualize the data: plt.scatter(X[0, :], X[1, :], c=Y.reshape(400), s=40, cmap=plt.cm.Spectral); Y改成Y.reshape(400)

不同label样本画图——颜色分配plt.cm.Spectralhttps://blog.csdn.net/wang_zuel/article/details/102940092 关于plt.cm.Spectral https://blog.csdn.net/robin_Xu_shuai/article/details/79178857 Python学习——作图plt.cm.Set()用法 https://blog.csdn.net/qq_41938858/article/details/877

自己参与的有一个项目需要用到环行图,考虑到百度的echart功能很强大兼容性又挺好就使用了这个插件,但是在颜色配置的时候出现了问题按照参考文档的方法是用color:Array这样的形式,但是不知道在哪里设置,在网上查了有两种说法,一种是直接在option里面配置  但是我试了之后直接报错了,还有一种是在>series->itemStyle->normal里面,但是设置之后奇怪的事情发生了,无论设置什么颜色都变成了黑色,至少改变了原来自带的颜色说明这个路径是对的,后来发现可以·用函数的方法

目录 目录 前言 (一)简单的饼状图 (二)添加阴影和突出部分 (三)显示图例和数据标签: 目录 前言 饼状图需要导入的是: plt.pie(x, labels= ) (一)简单的饼状图 (1)说明: pyplot.``pie(x, explode=None, labels=None--) 参考文档:官方说明文档 属性 说明 类型 x 数据 list labels 标签 list autopct 数据标签 %0.1%% 保留一位小数 explode 突出的部分 list shadow 是否显示阴

之前在做报表的时候用过echart 用完也就完了,而这次在用的时候已经忘了,所以这里简单记录一下,好记性不如烂笔头!!! 1.折线图修改颜色: xAxis: { type: 'category', boundaryGap: false, data: ['年龄','20岁以下','30岁','40岁','50岁','60岁','60岁以上'] }, yAxis: { type: 'value' }, series: [ { name:'员工数', type:'line', stack: '总量',

这种方法假设样本点在光滑的流形上,这一方法的计算数据的低维表达,局部近邻信息被最优的保存.以这种方式,可以得到一个能反映流形的几何结构的解. 步骤一:构建一个图G=(V,E),其中V={vi,i=1,2,3-n}是顶点的集合,E={eij}是连接顶点的vi和vj边,图的每一个节点vi与样本集X中的一个点xi相关.如果xi,xj相距较近,我们就连接vi,vj.也就是说在各自节点插入一个边eij,如果Xj在xi的k领域中,k是定义参数. 步骤二:每个边都与一个权值Wij相对应,没有连接点之间的权值为

1. np.c[a, b]  将列表或者数据进行合并,我们也可以使用np.concatenate 参数说明:a和b表示输入的列表数据 2.np.linspace(0, 1, N) # 将0和1之间的数分成N份 参数说明:0表示起始数据,1表示末尾数据,N表示生成的分数 3.xx, yy = np.meshgrid(np.arange(x.min(), x.max(), N), np.arange(y.min(), y.max(), N))  对数据进行切分后,生成二维数据点 参数说明:np.ar

matplotlib 1.安装matplotlib ① linux系统安装 # 安装matplotlib模块 $ sudo apt-get install python3-matplotlib # 如果是python2.7 执行如下命令 $ sudo apt-get install python-matplotlib # 如果你安装较新的Python,安装模块一乐的一些库 $ sudo apt-get install python3.5-dev python3.5-tk tk-dev $ sud

环形图 环形图其实是另一种饼图,使用的还是上面的 pie() 这个方法,这里只需要设置一下参数 wedgeprops 即可. 例子一: import matplotlib.pyplot as plt # 中文和负号的正常显示 plt.rcParams['font.sans-serif']=['SimHei'] plt.rcParams['axes.unicode_minus'] = False # 数据 edu = [0.2515,0.3724,0.3336,0.0368,0.0057] lab

一. 前言: 作为AI入门小白,参考了一些文章,想记点笔记加深印象,发出来是给有需求的童鞋学习共勉,大神轻拍! [毒鸡汤]:算法这东西,读完之后的状态多半是 --> “我是谁,我在哪?” 没事的,吭哧吭哧学总能学会,毕竟还有千千万万个算法等着你. 本文货很干,堪比沙哈拉大沙漠,自己挑的文章,含着泪也要读完! ▌二. 科普: 生物上的神经元就是接收四面八方的刺激(输入),然后做出反应(输出),给它一点就灿烂.仿生嘛,于是喜欢放飞自我的 某些人 就提出了人工神经网络.一切的基础-->人工神经单元,

知识点梳理 python工具使用: sklearn: 数据挖掘,数据分析工具,内置logistic回归 matplotlib: 做图工具,可绘制等高线等 绘制散点图: plt.scatter(X[0, :], X[1, :], c=np.squeeze(Y), s=40, cmap=plt.cm.Spectral); s:绘制点大小 cmap:颜色集 绘制等高线: 先做网格,计算结果,绘图 x_min, x_max = X[0, :].min() - 1, X[0, :].max() + 1 y

Numpy API 矩阵操作 np.squeeze(mat): 将mat降维 np.linalg.norm(x, axis=1, keepdims=True): keepdim=True是防止出现shape为(3,)奇怪的秩为1的数组, 如果axis=1, 计算每一行的向量的模 np.power(A1, 2): 矩阵A1中的每一个元素的幂次方 np.c_[A, B]: 将矩阵A与矩阵B竖下来拼接, 得到的结果在转置 np.r_[A, B]: 将矩阵A与矩阵B横着拼接 img.reshape(im

① numpy中np.c_和np.r_ np.r_是按列连接两个矩阵,就是把两矩阵上下相加,要求列数相等,类似于pandas中的concat(). np.c_是按行连接两个矩阵,就是把两矩阵左右相加,要求行数相等,类似于pandas中的merge(). 下面看一个例子: import numpy as np a = np.array([1, 2, 3]) b = np.array([4, 5, 6]) c = np.c_[a,b] print(np.r_[a,b]) print(c) print

python skimage图像处理(三) This blog is from: https://www.jianshu.com/p/7693222523c0  霍夫线变换 在图片处理中,霍夫变换主要是用来检测图片中的几何形状,包括直线.圆.椭圆等.在skimage中,霍夫变换是放在tranform模块内,本篇主要讲解霍夫线变换.对于平面中的一条直线,在笛卡尔坐标系中,可用y=mx+b来表示,其中m为斜率,b为截距.但是如果直线是一条垂直线,则m为无穷大,所有通常我们在另一坐标系中表示直线,即极

目录 隐马尔可夫模型HMM学习导航 一.认识贝叶斯网络 1.概念原理介绍 2.举例解析 二.马尔可夫模型 1.概念原理介绍 2.举例解析 三.隐马尔可夫模型 1.概念原理介绍 2.举例解析 四.隐马尔可夫模型简单实现 五.完整代码 六.结语 隐马尔可夫模型HMM学习导航 NLP学习记录,这一章从概率图模型开始,学习常见的图模型具体的原理以及实现算法,包括了有向图模型:贝叶斯网络(BN).(隐)马尔可夫模型(MM/HMM),无向图模型:马尔可夫网络(MN).条件随机场(CRF).学习前提条件需要一

catalogue . 引言 . 感知器及激活函数 . 代价函数(loss function) . 用梯度下降法来学习-Learning with gradient descent . 用反向传播调整神经网络中逐层所有神经元的超参数 . 过拟合问题 . IMPLEMENTING A NEURAL NETWORK FROM SCRATCH IN PYTHON – AN INTRODUCTION 0. 引言 0x1: 神经网络的分层神经元意味着什么 为了解释这个问题,我们先从一个我们熟悉的场景开始说

看过首席科学家NG的深度学习公开课很久了,一直没有时间做课后编程题,做完想把思路总结下来,仅仅记录编程主线. 一 引用工具包 import numpy as np import matplotlib.pyplot as plt from testCases import * import sklearn import sklearn.datasets import sklearn.linear_model from planar_utils import plot_decision_bounda

1. print大法 test = Hello World print ("test:" + test) 2. math和numpy的区别:math只对单个元素,numpy会broadcasting. import math import numpy as np x = [1, 2, 3] s = 1/(1+math.exp(-x) #这条语句会报错 s = 1/(1+np.exp(-x)) #这条语句没问题. 3. 定义函数 def sigmoid_derivative(x): s

参考:https://blog.csdn.net/u013733326/article/details/79702148 希望大家直接到上面的网址去查看代码,下面是本人的笔记 建立一个带有隐藏层的神经网络 导入一些软件包 numpy:是用Python进行科学计算的基本软件包.sklearn:为数据挖掘和数据分析提供的简单高效的工具.matplotlib :是一个用于在Python中绘制图表的库.testCases:提供了一些测试示例来评估函数的正确性,参见下载的资料或者在底部查看它的代码.pla

参考:https://blog.csdn.net/u013733326/article/details/79847918 希望大家直接到上面的网址去查看代码,下面是本人的笔记 初始化.正则化.梯度校验 1. 初始化参数:    1.1:使用0来初始化参数.    1.2:使用随机数来初始化参数.    1.3:使用抑梯度异常初始化参数(参见视频中的梯度消失和梯度爆炸).2. 正则化模型:    2.1:使用二范数对二分类模型正则化——L2正则化方法,尝试避免过拟合.    2.2:使用随机删除节