beautiful_well的博客

Accessibility,即辅助功能，许多Android用户有不同的能力(限制)。这些限制包括视力、肢体、年龄等，这些限制可能会阻碍他们看到或充分使用触摸屏，而用户的听力丧失，有可能会让他们无法感知声音信息和警报信息。Android系统提供了辅助功能的特效和服务，可以帮助这些用户更容易的使用他们Android设备，这些功能包括语音合成、触觉反馈、手势导航、轨迹球和方向键导航等。And...

影响数据可视化最终效果的因素，分为两个层面： 一是非数据层面。 不受数据影响可视化效果的情况包括：比如说整个页面的布局；图表的辅助元素，如图表背景、网格线、外边框；交互方式的设计等。→不受数据影响的情况，是我们在可视化设计阶段就可以把控的，比如说页面的整体布局、图表的设计（包含网格线、背景、颜色的选取等）、交互的设计等。 二是数据层面。 受数据影响...

不同的数据类型、不同的阐述目的，决定了数据可视化展现形式的差异。因此，今天这篇文章，主要是分享两类不同的可视化目的及其可选择的图表形式。 「对比型数据」：对比两组或两组以上数据的差异。 「分布型数据」：研究数据分布的集中趋势、离散程度、偏态和峰度等。 在实际工作中，我们经常需要对比多组数据之间的差异，而这些差异通常是通过不同的标记和视觉通道体现出来。 高度差异/宽度差异：...

线性回归（又名普通最小二乘法） 线性回归，或者普通最小二乘法，是回归问题最简单也是最经典的线性方法。线性回归寻找参数w和b，使得对训练集的预测值与真实的回归目标值y之间的均方误差最小。均方误差是预测值与真实值之差的平方和除以样本数。线性回归没有参数，这是一个优点。 import matplotlib.pyplot as plt #导入matplotlib库 import numpy as ...

推荐书籍《Android全埋点解决方案》 作者：王灼洲 推荐序：为了实现对数据的采集，可以使用三种方式：代码埋点、工具导入和全埋点。这三种方式都是手段，并且各有优缺点，选择需要完全基于实际的业务需求和现状来设计。埋点方式多种多样，按照埋点位置不同，可以分为前端(客户端)埋点与后端（服务器端）埋点。其中全埋点是目前较为留下的前端埋点方式之一。全埋点采用“全部采集，按需选取”的形式，对页面中所有交互...

学习目标 了解数据可视化的基本流程，牢记4个关键步骤 熟悉可视化视觉映射的基本原理及其三要素 一个完整的数据可视化过程，主要包括以下4个步骤： 确定数据可视化的主题； 提炼可视化主题的数据； 根据数据关系确定图表； 进行可视化布局及设计； 可视化过程的第一步：确定数据主题，即确定需要可视化的数据是围绕什么主题或者目的来组织的。 业务运营...

学习目标有三个： 数据拆分：训练数据集&测试数据集 评价分类结果：精准度、混淆矩阵、精准率、召回率、F1 Score、ROC曲线等 评价回归结果：MSE、RMSE、MAE、R Squared 1.1 训练数据集&测试数据集 将原始数据中的一部分作为训练数据、另一部分作为测试数据。使用训练数据训练模型，再用测试数据看好坏。即通过测试数据判断模型好坏，...

目标： 了解KNN算法的思想及其原理 使用python手动实现KNN算法，并在sklearn中调用KNN算法 了解监督学习和非监督学习的概念 K-最近邻(K-Nearest Neighbor,KNN)算法有3个基本要素:距离度量，k值的选择和分类决策规则。 K近邻的思想很简单，即在一个数据集上，给定一个新样本，找到与新样本距离最近的k个实例，在这些实例中属于多数的...