15 种 Seaborn 可视化图表详解

菜鸟学Python 菜鸟学Python 博客等级 墨衍会员 · AI 创作全网分发 墨衍智能分发 本文由作者通过墨衍一键同步至各平台 1分发平台 200+累计阅读 249平均单平台 已同步平台 优快云 微信公众号 微博 知乎 掘金 百家号 博客园 抖音 小红书 你的文章也可以这样分发 墨衍会员 ¥399起/年，写一次发全网 我也要 码龄9年
关注
转载 最新推荐文章于 2026-06-23 16:33:40 发布 249 阅读 AI 写同款· GEO 优化 ›
【统计可视化神器】Seaborn完全指南：10种高级图表+5个实战案例 | Python数据分析必备 Seaborn是一个基于Matplotlib的Python数据可视化库，专为统计绘图而设计。它提供了一套高级接口，使创建复杂且信息丰富的统计图表变得简单。优雅的默认样式：相比Matplotlib的基础风格，Seaborn提供了更现代、更美观的默认设置内置统计功能：直接集成统计模型，可一步完成数据计算和可视化无缝处理数据框：与pandas数据结构紧密集成，简化数据处理流程多变量关系探索：提供专门的工具来探索和可视化多维数据关系智能调色板：为分类、顺序和连续数据提供合适的配色方案# 自定义调色板。 阅读详情

来源：DeepHub IMBA

👇我的小册 40章教程:(小白零基础用Python量化股票分析小册) ,原价199，早鸟价39，满100人涨10元。

可视化是以图形形式表示数据或信息的过程，在本文中，将介绍Seaborn的最常用15个可视化图表。

Seaborn是一个非常好用的数据可视化库，它基于Matplotlib，并且提供了一个高级接口，使用非常见简单，生成图表也非常的漂亮。

204229f3fe1137ff62276abdba05b470.png

安装

安装非常简单：

Pip install seaborn

在使用时只要导入就可以了。

import seaborn as sns

Seaborn提供了一些内置的数据集，这里我们使用Seaborn的Iris数据集。

data=sns.load_dataset('iris')
 data[10:15]

0a3b345df3e44f0c3cce6f9e06fff2bf.png

我们看看数据量

data['species'].value_counts()

ab0eb173d7378e4bae98ba2626815d78.png

1、条形图

条形图用于表示分类变量，它只显示平均值(或其他估计值)。我们为x轴选择一个分类列，为y轴(花瓣长度)选择一个数值列，我们看到它创建了一个为每个分类列取平均值的图。

sns.barplot(x='species',y='petal_length',hue='species',data=data)

5e94a69f585931b297cf6a62ac8dc773.png

2、散点图

散点图是由几个数据点组成的图。x轴表示花瓣长度，y轴表示数据集的萼片长度。

sns.scatterplot(x='petal_length',y='sepal_length',hue='species',style='species',s=90,data=data)

abe8f941eee268f60185d101c865cd15.png

3、直方图

直方图通常用于可视化单个变量的分布，但它们也可用于比较两个或更多变量的分布。除了直方图之外，KDE参数还可以用来显示核密度估计(KDE)。这里，我们使用萼片长度。

sns.histplot(x='sepal_length',kde=True,data=data)

f0622656888ee25cfd6f6ed5865870bd.png

sns.histplot(x='sepal_length',kde=True,hue='species',data=data)

bb92b53d3263069d767d08f9cd7f6065.png

4、线形图

线形图可以用来可视化各种不同的关系。它们易于创建和分析，在线形图中每个数据点由直线连接。

sns.lineplot(x='petal_length',y='petal_width',data=data)

3aa5a950306cb80f788ca946649a9d36.png

5、小提琴图

小提琴图可以表示数据的密度，数据的密度越大的区域越胖。“小提琴”形状表示数据的核密度估计，每个点的形状宽度表示该点的数据密度。

sns.violinplot(x='species',y='petal_length',data=data,hue='species')

90bc62d8ab3c0a5be23cc3ce7d0c26bc.png

6、箱线图

箱形图由一个箱形图和两个须状图组成。它表示四分位数范围(IQR)，即第一和第三四分位数之间的范围。中位数由框内的直线表示。须状图从盒边缘延伸到最小值和最大值的1.5倍IQR。异常值是落在此范围之外的任何数据点，并会单独显示出来。

sns.boxplot(x='species',y='sepal_length',data=data,hue='species')

7f9a9eaafb26ac268f5f77d8256722cf.png

7、热图

热图是数据的二维可视化表示，它使用颜色来显示变量的值。热图经常用于显示数据集中的各种因素如何相互关联，比如相关系数。

heat_corr=data.corr()
 sns.heatmap(heat_corr,annot=True)

8d8d079e3dae13729bf7b14c1ab2db79.png

8、点图

点图是一种统计图表，用于显示一组数据及其变异性的平均值或集中趋势。点图通常用于探索性数据分析，可以快速可视化数据集的分布或比较多个数据集。

sns.pointplot(x='species',y='petal_length',data=data,markers ='^',color='g')

c3b54da4e6fc13f9287489561918e97f.png

9、密度图

密度图通过估计连续随机变量的概率函数来表示数据集的分布，也称为核密度估计(KDE)图。

sns.kdeplot(x='petal_length',data=data,hue='species',multiple='stack')

33f133be878e9b9e1a5c2114c7331ebc.png

sns.kdeplot(x='petal_length',y='sepal_length',data=data,hue='species')

29fe34ae4bb4dd7ae81862b8c6735153.png

10、计数图

计数图是一种分类图，它显示了分类变量的每个类别中观测值的计数。它本质上是一个柱状图，其中每个柱的高度代表特定类别的观测值的数量。

sns.countplot(x='species', data=data)

1e47430b8d61131c92714c4e21a213ca.png

11、分簇散点图

分簇散点图与条形图相似，但是它会修改一些点以防止重叠，这有助于更好地表示值的分布。在该图中，每个数据点表示为一个点，并且这些点的排列使得它们在分类轴上不会相互重叠。

sns.swarmplot(x='sepal_width',y='species',data=data,hue='species',dodge=True,orient='h',size=8)

4d73b6053b6dcb25342376087fb87f4c.png

12、配对图

配对图可视化了数据集中几个变量之间的成对关系。它创建了一个坐标轴网格，这样所有数值数据点将在彼此之间创建一个图，在x轴上具有单列，y轴上具有单行。对角线图是单变量分布图，它绘制了每列数据的边际分布。

sns.set(rc = {"figure.figsize":(6,3)})
 sns.pairplot(data=data,hue='species')

1612ec756e159a25e2a692121ca4c99c.png

13、Facet Grid

Seaborn中的FacetGrid函数将数据集和一个或多个分类变量作为输入，并创建一个图表网格，每种类别变量的组合都有一个图表。网格中的每个图都可以定制为不同类型的图，例如散点图、直方图或箱形图。

g=sns.FacetGrid(data, col="species",height=4,hue='species')
 g.map(sns.histplot, "petal_length")

f814285c02f1175f8294d4f4cbb53d57.png

14、联合分布图

联合分布图将两个不同的图组合在一个表示中，可以展示两个变量之间的关系(二元关系)。

sns.jointplot(x="sepal_length", y="sepal_width", data=data,
                                  palette='Set2',hue='species')

e107c0abb8d72bfe7ca30ba311e1946e.png

15、分类图

cat图(分类图的缩写)是Seaborn中的定制的一种图，它可以可视化数据集中一个或多个分类变量与连续变量之间的关系。它可用于显示分布、比较组或显示不同变量之间的关系。

sns.catplot(data=data, x="petal_length", y="species", kind="violin", color=".9", inner=None)
 sns.swarmplot(data=data, x="petal_length", y="species", size=3)

604dc008e30e735cf5b55b127f958265.png

总结

Seaborn对于任何使用Python处理数据的人来说都是一个非常好用的工具，它易于使用，并且提供更美观的图形使其成为探索和交流数据最佳选择。它与其他Python数据分析库(如Pandas)的集成使其成为数据探索和可视化的强大工具。

3e826ea19ea21ca6460c8ad3bdbeb5a3.jpeg

最后推荐一下我们团队写的量化小册的内容，40篇内容！从Python安装，入门，数据分析，爬取股票基金的历史+实时数据，以及如何写一个简单量化策略，策略回测，如何看资金曲线统统都有介绍！非常超值！

欢迎订阅：原价199 早鸟价39（满100人涨10元）。现在的价格非常非常低，只要2杯奶茶，就可以终身订阅+课程源码，还有永久陪伴群。48小时无理由退款，放心食用！

11b515a07afcf129f8828dccbc2db640.png

推荐阅读:
量化: 如何用Python爬取创业板历史+实时股票数据！｜实战股票分析篇利用Pandas 9招挖掘五粮液股价！｜实战股票数据分析篇 Pandas滚动操作 ｜量化股票第一步，用Python画股票K线，双均线图，可视化你的股票数据！｜如何用Python爬取全部800多只ETF基金数据！｜如何用Python写一个双均线策略 ｜如何用Python开发一个多策略机器人！上篇！｜Python量化系列-用布林策略买五粮液能赚多少钱？｜只要4秒钟！用Python 获取上证指数34年的历史日线数据！
入门: 最全的零基础学Python的问题  | 零基础学了8个月的Python  | 实战项目 |学Python就是这条捷径

干货:爬取豆瓣短评，电影《后来的我们》 | 38年NBA最佳球员分析 |   从万众期待到口碑扑街！唐探3令人失望  | 笑看新倚天屠龙记 | 灯谜答题王 ｜用Python做个海量小姐姐素描图 ｜碟中谍这么火，我用机器学习做个迷你推荐系统电影

趣味:弹球游戏  | 九宫格  | 漂亮的花 | 两百行Python《天天酷跑》游戏!

AI: 会做诗的机器人 | 给图片上色 | 预测收入 | 碟中谍这么火，我用机器学习做个迷你推荐系统电影

小工具: Pdf转Word，轻松搞定表格和水印！ | 一键把html网页保存为pdf！|  再见PDF提取收费！ | 用90行代码打造最强PDF转换器，word、PPT、excel、markdown、html一键转换 | 制作一款钉钉低价机票提示器！ ｜60行代码做了一个语音壁纸切换器天天看小姐姐！｜

标签
#信息可视化 #python #开发语言
原文链接：https://mp.weixin.qq.com/s?__biz=MzIxNjM4NDE2MA==&mid=2247528186&idx=2&sn=5d6b99e98ef5ef15124086cd5c2b6fab&chksm=96280008007f96397ccf87a2869c6b262b54fa5198c6be044d2582eacbb6fa686dc01338b1ae&scene=126&sessionid=0>
python数据分析图形可视化,python做可视化数据图表 当我学到一定基础，有自己的理解能力的时候，会去阅读一些前辈整理的书籍或者手写的笔记资料，这些笔记详细记载了他们对一些技术点的理解，这些理解是比较独到，可以学到不一样的思路。cat图(分类图的缩写)是Seaborn中的定制的一种图，它可以可视化数据集中一个或多个分类变量与连续变量之间的关系。Python所有方向的技术点做的整理，形成各个领域的知识点汇总，它的用处就在于，你可以按照下面的知识点去找对应的学习资源，保证自己学得较为全面。“小提琴”形状表示数据的核密度估计，每个点的形状宽度表示该点的数据密度。 阅读详情

相关推荐

简单分享下Python数据可视化

Python数据可视化，散点图，直方图等

weixin_64944512的博客 1208

数据分析——Seaborn数据可视化

数据分析——Seaborn数据可视化

qq_52421831的博客 2608

宇树机器狗go2—slam建图(1)点云格式

上一篇番外文章教大家如何在宇树机器狗go2的gazebo仿真环境中实现简单的导航运动，本期文章会教大家如何让宇树的机器狗go2在仿真环境中进行slam建图时经常会遇到的一些点云格式，在后续的slam建图和slam算法解析的时候会经常与这些点云信息打交道。宇树机器狗go2仿真会作为一个长期项目来进行不定期更新，仿真不只限于在gazebo上实现，后面还会在isaac sim等仿真平台上教大家如何搭建，其目的还是帮助各位都能以较低的成本加入到宇树机器狗go2的学习中。

古月居 3271

python数据分析及可视化（十二）Seaborn可视化（绘图风格、颜色风格、线性关系可视化、分类数据可视化、数据集分布可视化、关系矩阵图）

Seaborn可视化包含绘图风格、颜色风格、线性关系可视化、分类数据可视化、数据集分布可视化、关系矩阵图的学习

hwwaizs的博客 4607

避开这些坑！DS18B20温度读取不准、时序混乱的5个常见问题与调试方法

本文深入解析DS18B20温度传感器在应用中常见的5个问题，包括温度读取不准、时序混乱等，并提供详细的调试方法。通过硬件设计优化、精准延时实现和数据解析技巧，帮助开发者有效解决温度值跳变、初始化失败等典型问题，提升OneWire协议下的温度测量精度。

weixin_29185493的博客 463

时间卷积网络(TCN)：结构+pytorch代码

文章目录TCNTCN结构1-D FCN的结构因果卷积(Causal Convolutions)膨胀因果卷积(Dilated Causal Convolutions)膨胀非因果卷积(Dilated Non-Causal Convolutions)残差块结构pytorch代码讲解 TCN   TCN(Temporal Convolutional Network)是由Shaojie Bai et al....

Leon_winter的博客 11万+

Seaborn 可视化

Seaborn是基于matplotlib的图形可视化python包。它提供了一种高度交互式界面，便于用户能够做出各种有吸引力的统计图表。Seaborn是在matplotlib的基础上进行了更高级的API封装，从而使得作图更加容易，在大多数情况下使用seaborn能做出很具有吸引力的图，而使用matplotlib就能制作具有更多特色的图。Seaborn和Pandas的API配合的很好，使用DataFrame/Series的数据就可以绘图。

小森的博客 1960

网规第三版：第4章网络资源设备（完结）

第 4 章 网络资源设备 调整内容： 更新主流网络设备（交换机、路由器、防火墙）的技术参数与选型标准 增加国产化网络设备与信创产品的相关内容 精简已淘汰的设备类型与技术指标

鹿鸣天涯 268

用 Seaborn 做数据可视化（1）——绘图功能（1）可视化统计关系：sns.relplot()

目录0. 介绍1. 概论2. 可视化统计关系 relplot( )2.1 两个方法scatterplot()lineplot()2.2 几个参数kindcihuestylesize1. 散点图（scatter plot）绘制二维散点图绘制三维散点图2. 线图（line plot）2.1 聚合和表示不确定性2.2 绘制语义映射数据子集2.3 绘制时间序列3. 分面图（facets）：展示多变量关系 ...

Robin_Pi的博客 3556

使用 Python 和蒙特卡罗计算未来股价走势以及历史波动率和隐含波动率

蒙特卡罗模拟等工具使投资者能够洞察一系列潜在的未来。这远离了单纯的猜测，迈向了明智的、数据驱动的决策。

探索人工智能领域 707

一次搞定 SAP IDoc 失败重处理与安全清理：BD87 实战指南

本文介绍了SAP IDoc错误处理的BD87实战指南。主要内容包括： BD87的核心功能：监控IDoc处理状态并支持人工重处理或标记删除，适用于入站/出站IDoc故障处理。 重处理前的关键步骤： 区分技术错误与业务错误 检查是否允许重复处理 确认日期范围设置正确 标准操作流程：通过BD87选择错误IDoc节点执行重处理，特别适用于状态51的应用错误。 标记删除操作：将无用IDoc标记为可清理状态，后续可通过WE11物理删除或归档处理。 常见问题解决方案：包括权限控制、批量处理优化建议以及自动化定位工具的开发

2007 年 ~ 2025 年，深耕 SAP 技术 18 年 452

Python中15种Seaborn可视化图表详解

当我学到一定基础，有自己的理解能力的时候，会去阅读一些前辈整理的书籍或者手写的笔记资料，这些笔记详细记载了他们对一些技术点的理解，这些理解是比较独到，可以学到不一样的思路。cat图(分类图的缩写)是Seaborn中的定制的一种图，它可以可视化数据集中一个或多个分类变量与连续变量之间的关系。Python所有方向的技术点做的整理，形成各个领域的知识点汇总，它的用处就在于，你可以按照下面的知识点去找对应的学习资源，保证自己学得较为全面。“小提琴”形状表示数据的核密度估计，每个点的形状宽度表示该点的数据密度。

白帽阿叁的博客 3368

9篇1章1节：中国居民健康与营养调查（CHNS）数据库的官网解析和数据下载（2026年版）

在探讨中国社会经济转型与人口健康变迁的学术领域中，中国健康与营养调查（CHNS） 是一个无法绕过的权威数据库。本文将带你深入了解CHNS的项目背景、庞大的数据体系，以及如何通过这两个核心网站获取关键的家庭、个人及社区层面的研究数据。

MD Code 1699

Seaborn的15种可视化图表详解

来源：DeepHub IMBA 本文约1800字，建议阅读5分钟 在本文中，将介绍Seaborn的最常用15个可视化图表。可视化是以图形形式表示数据或信息的过程。在本文中，将介绍Seaborn的最常用15个可视化图表Seaborn是一个非常好用的数据可视化库，它基于Matplotlib，并且提供了一个高级接口，使用非常见简单，生成图表也非常的漂亮。安装安装非常简单：Pip install seab...

数据派THU 674

基于 Simulink 的三相四线制整流器在三相不平衡负载下的中点电位平衡控制实战教程

本文为三相四线制整流器在中点电位不平衡时的Simulink仿真教程。首先分析中点电位漂移的电荷不平衡机理，提出零序电压注入控制策略。详细演示建模步骤：搭建三相四线制主电路，构建中点平衡控制算法（含MATLAB函数代码），实现控制信号叠加与PWM生成。通过对比仿真验证控制效果，并给出零序电压限幅、中性线电感影响等工程建议。该方案能有效抑制三相不平衡负载下的中点电位波动，保证系统稳定运行。

xiaoheshang_123的博客 50

NTscan扫描工具

ntscan是一个扫描器，可以扫描没有密码和弱密码的共享，先到配置文件中填写猜测的用户名和密码，扫描过程中右侧出现的是扫描日志。

15种Seaborn可视化图表详解

来源：DeepHub IMBA可视化是以图形形式表示数据或信息的过程，在本文中，将介绍Seaborn的最常用15个可视化图表。Seaborn是一个非常好用的数据可视化库，它基于Matplotlib，并且提供了一个高级接口，使用非常见简单，生成图表也非常的漂亮。安装安装非常简单：Pip install seaborn在使用时只要导入就可以了。import seaborn as snsSeaborn提...

lsxxx2011的专栏 96

TMS_WebGMaps_1.9.8.0_Full_Source

TMS_WebGMaps_1.9.8.0_Full_Source 全源码 delphi cbuilder

Python数据可视化：15个Matplotlib与Seaborn的高级图表绘制技巧

在数据科学的广阔天地里，数据可视化是不可或缺的一环，它让复杂的数据变得易于理解。对于Python初学者而言，掌握和这两个强大的库，无疑能让你的分析报告更加生动有趣。本文专为渴望提升数据可视化技能的你设计，通过实用技巧，带你从基础走向高级，探索数据背后的精彩故事。

m0_62283350的博客 1542

深度学习工具包 DeepLearningToolbox

深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

jdk-8u144-linux-x64.tar.gz.

该资源为搭建Linux系统Java环境用，资源的后缀为tar.gz格式的压缩包

我用Python的Seaborn库，绘制了15个超好看图表！

大家好，我是小F～Seaborn是一个基于Python语言的数据可视化库，它能够创建高度吸引人的可视化图表。在Matplotlib库的基础上，提供了更为简便的API和更为丰富的可视化函数，使得数据分析与可视化变得更加容易。Seaborn的设计哲学是以美学为中心，致力于创建最佳的数据可视化。同时也保持着与Python生态系统的高度兼容性，可以轻松集成到Python数据分析以及机器学习的工作流程中。今...

法纳斯特 1036

python-实现15种数据可视化图表

python实现15种数据可视化图表

weixin_62430917的博客 667

数据可视化艺术：Learn-Data-Science-For-Free中的15种图表制作技巧

想要掌握数据科学的核心技能？数据可视化是你必须精通的关键环节！在Learn-Data-Science-For-Free这个免费学习资源中，你将发现15种强大的图表制作技巧，让你的数据分析工作事半功倍。📊 ## 为什么要重视数据可视化？ 在数据科学领域，**数据可视化**不仅仅是美化数据的工具，更是洞察数据模式、发现隐藏规律的利器。通过直观的图表展示，复杂的数据关系变得清晰易懂，决策效率大幅提

gitblog_00021的博客 562
上一篇： Python量化系列：一个简单的因子过滤，10天赚了39个点！
下一篇： 年薪96w！真心建议大家冲一冲新兴领域，工资高前景好
点赞 0
评论 0
书签 书签 1
菜鸟学Python
菜鸟学Python
博客等级 码龄9年 8062粉丝 571原创
+ 关注
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
表情包 插入表情
表情包 代码片
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值