whats_new_98_4_legend
0.98.4版本图例新特性
创建图例并使用阴影和长方体对其进行调整。
1 | import matplotlib.pyplot as plt |
参考
此示例显示了以下函数、方法、类和模块的使用：
1 | import matplotlib |
下载这个示例
本博客所有文章除特别声明外，均采用 CC BY-NC-SA 4.0 许可协议。转载请注明来源 Estom的博客！
相关推荐
2021-04-11
附录3 重构规划书
SimuRosot项目重构规划书1 重构的目标 增强可读性（自动生成项目的说明文档） 增强可扩展性，降低模块的耦合和代码的冗余。面向对象、接口。 增强可修改性，方便代码进行修改和扩展。 2 重构的流程 重读设计模式和架构设计。使用更好的架构和模块设计方案。（给出一个架构设计说明书）。 了解重构工具和重构的方法。熟练掌握C++项目重构过程。 cmake/vs 项目重构。使用了解。 熟读源代码，对架构设计说明书进行增删修改。完成最终的架构设计说明书。 使用vs对项目架构进行重构。 添加测试模块用来对策略和函数效果评估。 方案1：主要还是重新设计项目，把项目内的其他代码赋值黏贴出来。让它成为一个新的能够运行的小项目。 方案2：重新设计项目，然后在原有的代码上进行重构。 3 重构的原则 分层设计。上层对下层依赖。层内部不允许依赖。 控制反转。使用register机制，将对象注册到core中，计算执行。 决策树。减少strategy过程中if-else的逻辑。 高内聚低耦合。减少类之间的依赖，增强类内部的函数依赖。 文档生成与规范化。 运行时数据依赖与静态数据...
2020-10-24
01深度学习的实用层面
# 深度学习的实用层面 > * [笔记模板](https://github.com/bighuang624/Andrew-Ng-Deep-Learning-notes) > * 相关的笔记都可以在github上先找到相关的笔记然后再修改，方便。 ## 数据划分：训练 / 验证 / 测试集 * 应用深度学习是一个典型的迭代过程。 * `->idea -> code -> employment->` * 对于一个需要解决的问题的样本数据，在建立模型的过程中，数据会被划分为以下几个部分： * 训练集（train set）：用训练集对算法或模型进行**训练**过程； * 验证集（development set）：利用验证集（又称为简单交叉验证集，hold-out cross validation set）进行**交叉验证**，**选择出最好的模型**； * 测试集（test set）：最后利用测试集对模型进行测试，**获取模型运行的无偏估计**（对学习方法进行评估）。 * 在**小数据量**的时代，如 100、1000、10000 的数据量大小，可以将数据集...
2020-09-27
7.集成方法-随机森林和AdaBoost
第7章 集成方法 ensemble method 参考文献 https://zhuanlan.zhihu.com/p/62993244 1 集成方法ensemble method/元算法: meta algorithm 概述 概念: 是对其他算法进行组合的一种形式。通俗来说: 当做重要决定时，大家可能都会考虑吸取多个专家而不只是一个人的意见.机器学习处理问题时又何尝不是如此？ 这就是集成方法背后的思想。 集成方法: 投票选举bagging=自举汇聚法 bootstrap aggregating: 是基于数据随机重抽样分类器构造的方法。将某个学习算法分别作用于多个数据集就得到了S个分类器。当对新数据进行分类时，可以应用这S个分类器进行分类，选择分类器投票结果中最多的类别作为最后的分类结果。随机森林是比较常见的bagging方法。 再学习(boosting): 是基于所有分类器的加权求和的方法。boosting通过集中关注被已有分类器错分的那些数据来获得新的分类器。由于boosting分类的结果是基于所有分类器的加权求和结果的，因此boos...
2021-03-20
a_demo_of_the_spectral_co-clustering_algorithm
频谱共聚算法演示 翻译者：@N!no校验者：待校验 这个例子演示了如何使用谱协聚类算法生成数据集并对其进行双聚类处理。 数据集是使用 make_biclusters 函数生成的，该函数创建一个小值矩阵，并将大值植入双聚类。然后将行和列打乱并传递给光谱协聚算法。通过重新排列变换后的矩阵可以使双聚类连续，这展示出该算法找到双聚类的准确性。 1consensus score: 1.0 123456789101112131415161718192021222324252627282930313233343536373839404142print(__doc__)# Author: Kemal Eren <kemal@kemaleren.com># License: BSD 3 clauseimport numpy as npfrom matplotlib import pyplot as pltfrom sklearn.datasets import make_biclustersfrom sklearn.cluster import SpectralCoclus...
2020-09-27
4.朴素贝叶斯
第4章 基于概率论的分类方法: 朴素贝叶斯1 朴素贝叶斯 概述贝叶斯分类是一类分类算法的总称，这类算法均以贝叶斯定理为基础，故统称为贝叶斯分类。本章首先介绍贝叶斯分类算法的基础——贝叶斯定理。最后，我们通过实例来讨论贝叶斯分类的中最简单的一种: 朴素贝叶斯分类。 2 贝叶斯理论 & 条件概率贝叶斯理论 我们现在有一个数据集，它由两类数据组成，数据分布如下图所示: 我们现在用 p1(x,y) 表示数据点 (x,y) 属于类别 1（图中用圆点表示的类别）的概率，用 p2(x,y) 表示数据点 (x,y) 属于类别 2（图中三角形表示的类别）的概率，那么对于一个新数据点 (x,y)，可以用下面的规则来判断它的类别: 如果 p1(x,y) > p2(x,y) ，那么类别为1 如果 p2(x,y) > p1(x,y) ，那么类别为2 也就是说，我们会选择高概率对应的类别。这就是贝叶斯决策理论的核心思想，即选择具有最高概率的决策。 条件概率 有一个装了 7 块石头的罐子，其中 3 块是白色的，4 块是黑色的。如果从罐子中随机取出一块石头，那么是白色石头的...
2020-09-26
ellipse_demo
椭圆演示绘制多个椭圆。此处绘制单个椭圆。将其与Ellipse集合示例进行比较。 12345678910111213141516171819202122import matplotlib.pyplot as pltimport numpy as npfrom matplotlib.patches import EllipseNUM = 250ells = [Ellipse(xy=np.random.rand(2) * 10, width=np.random.rand(), height=np.random.rand(), angle=np.random.rand() * 360) for i in range(NUM)]fig, ax = plt.subplots(subplot_kw={'aspect': 'equal'})for e in ells: ax.add_artist(e) e.set_clip_box(ax.bbox) ...
