Python实战:5分钟搞定高斯核函数可视化(附完整代码)

Kriging代理模型实战:5分钟搞定Python实现与优化加点 本文提供了一份Kriging代理模型的Python实战指南,旨在帮助工程师和研究人员快速上手。文章从零开始,详细讲解了如何用Python实现一个基础的Kriging模型,并重点对比了EI、LCB、MSE等核心优化加点准则在贝叶斯优化中的性能差异,通过Branin函数案例直观展示了不同准则的探索与利用权衡,最终给出了工程化进阶与避坑建议。 阅读详情

Python实战:5分钟搞定高斯核函数可视化(附完整代码)

最近在辅导几位刚入门机器学习的朋友时,我发现一个挺普遍的现象:大家啃得动线性回归、逻辑回归的公式,但一碰到“核函数”,尤其是“高斯核函数”,就有点云里雾里了。教科书上那些无穷维映射、正定核的数学证明,固然严谨,但对初学者建立直观感受帮助有限。其实,理解核函数,尤其是高斯核,最有效的方式不是死磕公式,而是亲手把它画出来,看看它到底长什么样,感受一下它如何“扭曲”空间。

这篇文章就是为你准备的,如果你正处在对支持向量机(SVM)或核方法感到好奇却又有点畏惧的阶段。我们将完全避开复杂的理论推导,聚焦于实战:如何用Python中最基础的NumPy和Matplotlib库,在短短几分钟内,生成清晰、美观的高斯核函数及其基函数图像。通过可视化,你会直观地看到,一个简单的数学形式如何创造出复杂的决策边界,从而理解它为何是处理非线性问题的利器。我们将从零开始,一步步写出代码,并解释每一行代码背后的意图,确保你不仅能复制粘贴,更能真正掌握。

1. 环境准备与核心概念速览

在开始敲代码之前,我们花几分钟把核心装备和核心思想理顺。你不需要高深的数学背景,只需要对Python有最基础的了解,知道如何安装库和运行脚本就行。

你需要准备的环境非常简单:

  • Python 3.6+:这是我们的工作语言。
  • NumPy:用于高效的数值计算,特别是数组操作和数学函数。
  • Matplotlib:用于绘制一切图表,是我们的“画笔”。

如果你使用Anaconda,这些库通常已经预装。如果没有,打开你的终端或命令提示符,一行命令就能搞定:

pip install numpy matplotlib

现在,让我们用最直白的话理解高斯核函数(也叫径向基函数,RBF)。你可以暂时忘掉“映射到高维空间”这个抽象说法。想象一下,你有一堆混在一起的红豆和绿豆(非线性可分的数据)。在二维平面上,你找不到一条直线把它们完美分开。高斯核函数的作用,就好比给你一个智能的透镜。当你透过这个透镜去看这些豆子时,空间被“弯曲”和“拉伸”了,原本挤在一起的豆子,在新的视角下(高维空间的特征),变得可以用一个平面(超平面)轻松隔开。

这个“透镜”的数学形式就是: K(x, y) = exp(-γ * ||x - y||²) 其中,||x - y|| 是两点之间的欧氏距离,γ (gamma) 是一个大于0的参数,它控制着透镜的“焦距”。γ 越大,透镜的聚焦能力越强,影响范围越窄;γ 越小,透镜越“散光”,影响范围越广。这个公式的妙处在于,它通过计算数据点之间的相似度(距离越近,相似度越高,函数值越接近1;距离越远,相似度越低,函数值越接近0)来隐式地完成了复杂的空间变换。

提示:在后续的SVM等算法中,你会经常遇到另一个参数 C 和 γ。C 控制模型对错误分类的惩罚力度,而 γ 则直接控制高斯核的“宽度”,两者共同决定了模型的复杂度。

理解了核心思想后,我们进入实战环节。我们的目标是画出两类图:一是单个的基函数(就像构成透镜的一个个微小镜片),二是完整的核函数(透镜的整体效果)。

2. 绘制高斯基函数:理解“基本组成单元”

高斯核函数可以被看作是由无数个高斯基函数叠加而成的。每个基函数都以一个特定的样本点为中心。绘制基函数,能帮助我们理解这个“透镜”是由什么“材料”构成的。

我们先来绘制一维情况下的基函数。假设我们在区间[-5, 5]上选取了5个等间距的中心点。每个中心点上“放置”一个高斯形状的“小山丘”。代码和思路如下:

import numpy as np
import matplotlib.pyplot as plt

# 设置图像显示中文(可选)
plt.rcParams['font.sans-serif'] = ['SimHei'] # 用来正常显示中文标签
plt.rcParams['axes.unicode_minus'] = False # 用来正常显示负号

# 1. 定义高斯基函数
def gaussian_basis(x, center, gamma=1.0):
    """
    计算一维高斯基函数的值。
    参数:
        x: 输入值(可以是一个数或NumPy数组)
        center: 基函数的中心点
        gamma: 控制函数宽度的参数,gamma越大,函数越“瘦高”
    返回:
        高斯基函数在x处的值
    """
    return np.exp(-gamma * (x - center) ** 2)

# 2. 创建数据点
x_plot = np.linspace(-5, 5, 500) # 在[-5,5]区间生成500个平滑的点
centers = np.linspace(-4, 4, 5) # 5个中心点,从-4到4均匀分布
gamma = 0.5 # 设置一个gamma值,你可以调整它看效果

# 3. 绘制每一个基函数
plt.figure(figsize=(10, 6))
for i, center in enumerate(centers):
    y = gaussian_basis(x_plot, center, gamma)
    plt.plot(x_plot, y, label=f'中心点 c={center:.1f}', linewidth=2, alpha=0.7)

# 4. 添加图形装饰
plt.title('一维高斯基函数 (γ=0.5)', fontsize=14)
plt.xlabel('x')
plt.ylabel('φ(x)')
plt.legend()
plt.grid(True, linestyle='--', alpha=0.5)
plt.axhline(y=0, color='k', linestyle='-', alpha=0.3) # 添加x轴
plt.axvline(x=0, color='k', linestyle='-', alpha=0.3) # 添加y轴

plt.tight_layout()
plt.show()

运行这段代码,你会看到5个钟形曲线,每个曲线的最高点(峰值)对应其中心点。这些曲线平滑、对称,并且彼此有重叠。这就是基函数:局部性的(只在中心点附近有显著值)、平滑的函数。在核方法中,每个数据点都会对应一个这样的基函数,模型的学习过程就是为这些基函数赋予合适的权重,然后将它们组合起来。

为了更清晰地展示 γ 参数的作用,我们可以将不同 γ 值下的基函数画在一起对比:

γ 值函数形状描述物理意义对模型的影响
较大 (如 γ=2.0)曲线非常“瘦高”,峰值尖锐,两侧迅速衰减到0。基函数的影响范围非常局部,只关心离中心点极近的样本。模型可能变得非常复杂,容易捕捉噪声,导致过拟合。
适中 (如 γ=0.5)曲线较为“宽厚”,峰值圆润,衰减平缓。基函数的影响范围较广,能考虑到中心点周围一定距离内的样本。模型泛化能力较好,是常用的起点。
较小 (如 γ=0.1)曲线非常“扁平”,峰值很低,衰减极慢。基函数的影响范围极广,几乎每个点都与其他点有较高的相似度。模型会趋于简单,可能无法捕捉数据中的复杂模式,导致欠拟合。

你可以修改代码中的 gamma 值,重新运行,直观感受这种变化。理解 γ 是调优核SVM模型最关键的一步。

3. 可视化高斯核函数:感受“相似度”矩阵

基函数是单个的“砖瓦”,而核函数描述的是任意两块“砖瓦”(即两个数据点)之间的关联强度,它输出的是一个相似度。对于高斯核,这个相似度就是基于两点间距离计算出来的。

最直观的可视化方式,是固定一个点作为“中心”,然后看空间中所有其他点对这个中心的“相似度”如何变化。我们分别绘制一维和二维的情况。

首先是一维核函数可视化:

# 一维高斯核函数可视化(固定一个中心点)
plt.figure(figsize=(12, 5))

# 子图1:不同gamma值的影响
plt.subplot(1, 2, 1)
x_plot = np.linspace(-5, 5, 500)
center = 0.0 # 固定中心点在0
for gamma in [0.1, 0.5, 1.0, 2.0]:
    similarity = np.exp(-gamma * (x_plot - center) ** 2)
    plt.plot(x_plot, similarity, label=f'γ={gamma}', linewidth=2)

plt.title('一维高斯核:不同γ值的影响 (中心点x\'=0)')
plt.xlabel('x')
plt.ylabel('K(x, 0)')
plt.legend()
plt.grid(True, linestyle='--', alpha=0.5)

# 子图2:不同中心点的影响
plt.subplot(1, 2, 2)
gamma = 0.5
for center in [-2, 0, 2]:
    similarity = np.exp(-gamma * (x_plot - center) ** 2)
    plt.plot(x_plot, similarity, label=f'中心点x\'={center}', linewidth=2)

plt.title('一维高斯核:不同中心点的影响 (γ=0.5)')
plt.xlabel('x')
plt.ylabel('K(x, x\')')
plt.legend()
plt.grid(True, linestyle='--', alpha=0.5)

plt.tight_layout()
plt.show()

这张图清晰地告诉我们:距离中心点越近,相似度越高(接近1);距离越远,相似度越低(接近0)。 γ 控制着相似度下降的速度。

然后是更震撼的二维核函数可视化: 在二维平面上,高斯核函数像一个立体的“小山丘”。我们通过3D曲面图和热度图(等高线图)来展示。

from mpl_toolkits.mplot3d import Axes3D # 导入3D绘图工具

# 创建二维网格
x = np.linspace(-4, 4, 100)
y = np.linspace(-4, 4, 100)
X, Y = np.meshgrid(x, y) # 生成网格点坐标矩阵

# 设定中心点和gamma
center_2d = np.array([1.0, -1.0]) # 中心点坐标为(1, -1)
gamma_2d = 0.5

# 计算网格上每个点到中心点的距离,并应用高斯核公式
# 注意:这里计算的是每个点(X[i,j], Y[i,j])到center_2d的欧氏距离
distance_sq = (X - center_2d[0])**2 + (Y - center_2d[1])**2
Z = np.exp(-gamma_2d * distance_sq) # 这就是核函数值K

# 开始绘图
fig = plt.figure(figsize=(14, 5))

# 子图1:3D曲面图
ax1 = fig.add_subplot(1, 2, 1, projection='3d')
surf = ax1.plot_surface(X, Y, Z, cmap='viridis', edgecolor='none', alpha=0.9)
ax1.set_title(f'二维高斯核函数3D视图 (中心{center_2d}, γ={gamma_2d})', fontsize=12)
ax1.set_xlabel('X')
ax1.set_ylabel('Y')
ax1.set_zlabel('相似度 K')
fig.colorbar(surf, ax=ax1, shrink=0.5, aspect=10) # 添加颜色条

# 子图2:二维热度图(等高线图)
ax2 = fig.add_subplot(1, 2, 2)
contour = ax2.contourf(X, Y, Z, levels=20, cmap='viridis')
ax2.scatter(center_2d[0], center_2d[1], color='red', s=100, marker='*', label='中心点') # 标出中心点
ax2.set_title(f'二维高斯核函数热度图 (中心{center_2d}, γ={gamma_2d})', fontsize=12)
ax2.set_xlabel('X')
ax2.set_ylabel('Y')
ax2.legend()
fig.colorbar(contour, ax=ax2, shrink=0.8, aspect=10)

plt.tight_layout()
plt.show()

运行这段代码,你会看到一个以(1, -1)为峰顶的、平滑的钟形曲面。热度图则像一幅地形图,中心最亮(相似度高),向外逐渐变暗(相似度低)。这完美诠释了“径向对称”——无论从哪个方向远离中心,相似度的衰减速度只与距离有关,与方向无关。这就是“径向基函数”名称的由来。

4. 从可视化到理解:核函数如何解决非线性问题

看了这么多漂亮的图,它们到底如何帮助我们理解分类问题呢?让我们构造一个经典的“同心圆”数据集,并用高斯核的思想来“感受”一下分类边界。

假设我们有一堆数据点,内圈是A类(蓝色),外圈是B类(红色)。在原始的二维平面上,没有任何一条直线能把它们分开。

# 生成一个简单的非线性可分数据集:同心圆
np.random.seed(42) # 固定随机种子,确保结果可复现
radius_inner = 2
radius_outer = 4
num_samples = 200

# 生成内圈点(A类,标签0)
theta_inner = np.random.rand(num_samples // 2) * 2 * np.pi
r_inner = radius_inner * np.sqrt(np.random.rand(num_samples // 2))
X_inner = np.column_stack([r_inner * np.cos(theta_inner), r_inner * np.sin(theta_inner)])
y_inner = np.zeros(num_samples // 2)

# 生成外圈点(B类,标签1)
theta_outer = np.random.rand(num_samples // 2) * 2 * np.pi
r_outer = radius_outer * np.sqrt(np.random.rand(num_samples // 2))
X_outer = np.column_stack([r_outer * np.cos(theta_outer), r_outer * np.sin(theta_outer)])
y_outer = np.ones(num_samples // 2)

# 合并数据
X = np.vstack([X_inner, X_outer])
y = np.hstack([y_inner, y_outer])

# 绘制原始数据
plt.figure(figsize=(6, 6))
plt.scatter(X[y==0, 0], X[y==0, 1], c='blue', alpha=0.6, edgecolors='w', s=50, label='A类 (内圈)')
plt.scatter(X[y==1, 0], X[y==1, 1], c='red', alpha=0.6, edgecolors='w', s=50, label='B类 (外圈)')
plt.title('原始二维空间:非线性可分的同心圆数据')
plt.xlabel('特征1')
plt.ylabel('特征2')
plt.legend()
plt.axis('equal')
plt.grid(True, linestyle='--', alpha=0.3)
plt.show()

现在,我们不做任何复杂的SVM训练,仅仅利用高斯核的“相似度”概念,来手动体验一下。我们选取一个位于内圈中心的点作为“地标”(landmark),计算数据集中所有点到这个地标的高斯相似度,并把这个相似度作为一个新特征。

# 选取一个地标点(假设我们知道它在内圈中心附近)
landmark = np.array([0.5, 0.5]) # 可以尝试改变这个点看看效果

# 为所有数据点计算到这个地标的高斯相似度(新特征)
gamma_demo = 0.5
distances_sq = np.sum((X - landmark) ** 2, axis=1)
new_feature = np.exp(-gamma_demo * distances_sq)

# 在新的特征空间(原始特征1 vs 新特征“到地标的相似度”)中绘图
plt.figure(figsize=(12, 5))

plt.subplot(1, 2, 1)
# 用新特征值作为颜色深度,观察其分布
scatter = plt.scatter(X[:, 0], X[:, 1], c=new_feature, cmap='coolwarm', alpha=0.8, edgecolors='k', s=50)
plt.scatter(landmark[0], landmark[1], color='black', s=200, marker='*', label='地标点')
plt.colorbar(scatter, label='到地标点的相似度')
plt.title('原始空间:颜色表示到地标点的相似度')
plt.xlabel('特征1')
plt.ylabel('特征2')
plt.legend()
plt.axis('equal')

plt.subplot(1, 2, 2)
# 绘制“特征1”与“新特征(相似度)”的散点图
plt.scatter(X[y==0, 0], new_feature[y==0], c='blue', alpha=0.6, s=50, label='A类')
plt.scatter(X[y==1, 0], new_feature[y==1], c='red', alpha=0.6, s=50, label='B类')
plt.axhline(y=0.5, color='gray', linestyle='--', alpha=0.5) # 假设的决策线
plt.title('新特征空间:特征1 vs 到地标的相似度')
plt.xlabel('特征1 (原始)')
plt.ylabel('新特征: K(x, 地标)')
plt.legend()
plt.grid(True, linestyle='--', alpha=0.3)

plt.tight_layout()
plt.show()

观察右图,你会发现,在引入了“到地标点的相似度”这个新特征后,数据点在新的二维空间(特征1, 相似度)中的分布发生了变化。虽然还不是完全线性可分,但已经比左图原始空间中的同心圆结构更容易处理了。这就是核技巧的直观体现:通过核函数计算出的相似度,作为新的特征,将数据投射到一个可能更容易线性分离的空间。

在实际的SVM中,算法会智能地选择多个支持向量作为“地标”,并学习每个地标对应的权重,最终组合出一个复杂的决策边界。我们刚才的手动演示,正是这个复杂过程的极简缩影。

5. 完整代码整合与高级技巧

最后,我们把前面所有关键的绘图代码整合成一个模块化的脚本,并分享几个让可视化更专业、探索更深入的小技巧。

完整脚本 gaussian_kernel_visualization.py:

"""
高斯核函数与基函数可视化完整脚本
作者:你的名字
功能:生成一维/二维高斯基函数、核函数图像,并通过构造数据集演示核思想。
"""
import numpy as np
import matplotlib.pyplot as plt
from mpl_toolkits.mplot3d import Axes3D

def plot_1d_basis_functions(centers=np.linspace(-4, 4, 5), gamma=0.5, x_range=(-5, 5)):
    """绘制一维高斯基函数"""
    x = np.linspace(x_range[0], x_range[1], 500)
    plt.figure(figsize=(10, 6))
    for center in centers:
        y = np.exp(-gamma * (x - center) ** 2)
        plt.plot(x, y, label=f'c={center:.1f}', lw=2, alpha=0.7)
    plt.title(f'一维高斯基函数 (γ={gamma})')
    plt.xlabel('x'); plt.ylabel('φ(x)')
    plt.legend(); plt.grid(True, ls='--', alpha=0.5)
    plt.tight_layout()
    plt.show()

def plot_2d_kernel_heatmap(center=(0, 0), gamma=0.5, range_=(-4, 4)):
    """绘制二维高斯核函数的热度图"""
    x = np.linspace(range_[0], range_[1], 100)
    y = np.linspace(range_[0], range_[1], 100)
    X, Y = np.meshgrid(x, y)
    dist_sq = (X - center[0])**2 + (Y - center[1])**2
    Z = np.exp(-gamma * dist_sq)

    plt.figure(figsize=(7, 6))
    contour = plt.contourf(X, Y, Z, levels=20, cmap='viridis')
    plt.scatter(center[0], center[1], c='red', s=200, marker='*', edgecolors='white', label='中心')
    plt.colorbar(contour, label='相似度 K')
    plt.title(f'2D高斯核热度图 (中心{center}, γ={gamma})')
    plt.xlabel('X'); plt.ylabel('Y')
    plt.legend()
    plt.axis('equal')
    plt.tight_layout()
    plt.show()

def demo_kernel_trick():
    """演示核技巧思想的简化示例"""
    # ... (此处嵌入前面第4节生成同心圆数据和绘制新特征空间的代码)
    pass

if __name__ == '__main__':
    # 示例:运行各个函数
    print("正在绘制一维基函数...")
    plot_1d_basis_functions()

    print("正在绘制二维核热度图...")
    plot_2d_kernel_heatmap(center=(1, -1), gamma=0.3)

    # 可以取消下面一行的注释来运行演示
    # print("正在运行核技巧演示...")
    # demo_kernel_trick()

几个提升可视化效果和探索效率的技巧:

  1. 交互式探索:使用Jupyter Notebook或支持交互的IDE(如VS Code with Jupyter扩展)。你可以定义一个带 gamma 和 center 参数的绘图函数,然后使用 ipywidgets 库创建滑动条,实时观察参数变化对图形的影响。这比反复修改代码、运行脚本直观得多。

    # 在Jupyter中尝试(需要安装 ipywidgets: pip install ipywidgets)
    from ipywidgets import interact, FloatSlider
    
    @interact(gamma=FloatSlider(min=0.1, max=3.0, step=0.1, value=0.5),
              center_x=FloatSlider(min=-3.0, max=3.0, step=0.5, value=0.0),
              center_y=FloatSlider(min=-3.0, max=3.0, step=0.5, value=0.0))
    def interactive_kernel(gamma, center_x, center_y):
        plot_2d_kernel_heatmap(center=(center_x, center_y), gamma=gamma)
    
  2. 对比不同核函数:高斯核并非唯一选择。理解它之后,可以尝试可视化其他常见核函数,如多项式核 K(x, y) = (x·y + c)^d 和Sigmoid核。将它们画在一起对比,能深刻体会“相似度”衡量方式的差异。例如,多项式核的等高线图可能不是圆形,而是有方向的。

  3. 在真实数据集上观察:从 sklearn.datasets 加载一个简单的真实数据集(如 make_moons 或 make_circles),先用线性SVM(无核)尝试分类并绘制决策边界,再用高斯核SVM(RBF SVM)做同样的事。你会亲眼看到高斯核如何将一条直线“弯曲”成复杂的曲线,从而完美分离数据。这个对比实验极具说服力。

画图从来不只是为了好看。在机器学习的入门路上,亲手实现并可视化像高斯核这样的核心概念,是打通“理论理解”和“直觉感受”之间鸿沟的最佳桥梁。下次当你看到SVM的 kernel='rbf' 参数时,脑海中浮现的不再是冰冷的公式,而是那个平滑的、径向对称的钟形曲面,以及它如何巧妙地度量着数据点之间的相似性。这份直觉,比记住十行推导公式更有价值。

用Python的PyGem库5分钟搞定3D模型捏脸:RBF变形实战与半径参数调优 本文详细介绍了如何使用Python的PyGem库通过径向基函数(RBF)技术快速实现3D模型捏脸,包括基础操作、半径参数调优和多控制点协同变形等实战技巧。通过PyGem的RBF变形功能,开发者可以高效调整3D面部特征,适用于游戏开发和数字人创作,大幅提升工作效率。 阅读详情

相关推荐

Python实战:用径向基函数(RBF)拟合复杂曲线(附完整代码)

本文详细介绍了如何使用Python实现径向基函数(RBF)进行复杂曲线拟合。通过从零构建RBF拟合器,结合完整代码示例,深入解析了其核心算法、参数调优(如形状参数ε)以及在避免过拟合与欠拟合间的平衡。文章还探讨了RBF在更高维度(如曲面重建)的应用,为数据科学和机器学习实践者提供了强大的非线性拟合工具。

weixin_42601608的博客 112

支持向量机求解过程的可视化及其核函数kernel 【Tsai Tsai】

比如上面的数据分布,我们很容易就可以在方块和圆的中间画出一条线,并让所有落在直线左边的样本被分类为方块,在直线右边的样本被分类为圆。可以观察到,线性核函数和多项式核函数在非线性数据上表现会浮动,如果数据相对线性可分,则表现不错,如果是像环形数据那样彻底不可分的,则表现糟糕。支持向量机的分类方法,是在这组分布中找出一个超平面作为决策边界,使模型在数据上的分类误差尽量接近于小,尤其是在未知数据集上的分类误差(泛化误差)尽量小。在几何中,超平面是一个空间的子空间,它是维度比所在空间小一维的空间。

talle2021的博客 1678

Matlab GRNN电力负荷预测实战:小样本高鲁棒性建模

广义回归神经网络(GRNN)是一种基于核密度估计的非参数回归方法,其原理是通过高斯核函数对相似历史样本加权平均实现预测,无需迭代训练、天然抗异常值、对小样本适应性强。在电力系统中,它特别适用于数据量有限、实时性要求高、部署环境受限的负荷预测场景,技术价值体现在训练极速(秒级建模)、鲁棒性强(MAPE稳定<4%)、工程友好(纯Matlab工具箱实现)。典型应用场景包括县域配电网短期负荷预测、新能源场站功率补测、老旧工控机边缘部署等。本文聚焦Matlab平台下GRNN的实操落地,涵盖SPREAD参数物理意义解析

weixin_32520095的博客 297

SVM核函数功能和选择——可视化 附源代码

1 # coding: utf-8 2 3 # In[3]: 4 5 6 import numpy as np 7 import matplotlib.pyplot as plt 8 from matplotlib.colors import ListedColormap 9 from sklearn import svm 10 from ...

weixin_30908103的博客 918

RBF神经网络与SHAP可解释性建模:Matlab原生实现指南

RBF神经网络是一种基于径向基函数的局部逼近模型,其隐层结构具有明确的物理意义和几何可解释性;SHAP(Shapley Additive Explanations)则通过合作博弈论原理,为每个特征在单样本预测中的边际贡献提供公平量化。二者结合,不仅能提升工业场景下小样本、多尺度数据(如设备振动、油色谱、临床指标)的分类精度,更能生成符合工程审计与跨专业沟通要求的可追溯归因结果。相比黑箱调包方案,手动构建RBF中心与自适应宽度、原生实现SHAP扰动采样与基准值校验,是保障模型可信度与部署合规性的关键技术路径。

weixin_42523792的博客 308

Elsevier期刊LaTeX双栏模板(cas-dc)实战:从Overleaf配置到投稿全流程

本文详细介绍了Elsevier期刊LaTeX双栏模板(cas-dc)在Overleaf平台上的配置与使用全流程,包括模板结构解析、标题与作者信息规范、摘要与关键词特殊格式、正文写作技巧、参考文献管理以及投稿前检查清单。特别针对Elsevier期刊投稿需求,提供了从模板安装到最终投稿的实用指南,帮助研究者高效完成论文排版工作。

weixin_28455801的博客 1323

Python常用可视化实例集

目录 1、介绍 2、单变量可视化 2.1 直方图@数值特征 2.1.1 DataFrame的hist()方法 2.1.2 seaborn的distploy()实现 2.1.3 matplotlib的dist()方法 2.2 密度图@数值特征 2.2.1 DataFrame的plot()实现 2.2.2 seaborn的distploy()实现 2.3 箱型图@数值特征-sns.boxplot() ​2.4 提琴形图@数值特征-sns.violinplot() 2.5 条形图...

独木不林的博客 4396

手机移动端-纯js浏览器h5调用摄像头扫描识别解析 条形码+二维码

一、场景 h5原生js 浏览器端解决识别二维码条形码功能; 不借助Hbuilder.需要自己打包成APP,比如用Hbuilder打包,浏览器端项目h5无打包成app部署X不采用 不借助微信扫一扫,调用微信js-jdk有多麻烦,还要认证服务号,也不适用其它浏览器打开X不采用 二、思路 1.思路一:input(相机拍照)+条形码或二维码识别js支持库 通过h5-input[camera]调用相机进行拍照成图片,通过条形码等识别库解析出数据; <input @cha...

徐子厚的博客 3万+

基础python超级常用的四种可视化函数库

交互性:Plotly 和 PyEcharts 更侧重于生成交互式图表,而Matplotlib和Altair则更注重静态图表的生成。易用性:Altair 和 PyEcharts 在API设计上更注重易用性,而Matplotlib虽然功能强大但API较复杂。输出形式:Matplotlib 和 Altair 更多地用于生成静态图表或图像文件,而Plotly 和 PyEcharts 则更适合生成可以直接嵌入Web页面的交互式图表。社区支持。

m0_64031432的博客 2430

SpyGlass Lint脚本实战:从环境配置到报告生成的完整流程解析

本文详细解析了使用SpyGlass Lint脚本进行数字芯片设计代码质量检查的完整自动化流程。从环境配置、目录结构设计,到核心TCL脚本的编写与模块化配置,再到脚本执行、调试技巧及报告解读,提供了构建健壮、可维护自动化检查框架的实战指南。文章重点阐述了如何通过脚本实现从环境配置到报告生成的一键式操作,并探讨了与企业级CI/CD流程集成的进阶方案。

weixin_29196613的博客 443

Codesys电子凸轮功能块MC_CamIn的masteroffset和slaveoffset参数的使用

问题1:在Codesys使用作轴电子凸轮时,MC_CamTableSelect的参数设置为MasterAbsolute=1,SlaveAbsolute=1,此设置为绝得模式, 此时主从轴当前位置都不为零时,此时Masteroffset=0、slaveOffset=0,凸轮启时出现突变,实轴无法启动。问题分析:在觉得模式下,主轴位置和从轴为是对应凸轮表的相位的,Masteroffset=0、slaveOffset=0,启动点时在主轴位置=0,从轴位置=0的点启动,此时主轴当前位置不为零则主从轴位置发生突变,

weixin_43587371的博客 1802

Python 数据可视化高级应用指南

Python 的数据可视化库提供了丰富的功能,从基本的折线图、柱状图到复杂的 3D 图表和交互式仪表板。通过掌握这些高级应用,我们可以更有效地分析和展示数据。在实际应用中,数据可视化可以用于股票分析、销售数据分析、数据科学分析等多种场景,帮助我们更好地理解数据,做出更明智的决策。希望本文对你理解和应用 Python 数据可视化有所帮助!

no1coder的博客 1617

解锁轻量化网络实验室:在 Containerlab 中部署 Cisco IOL 设备的详细教程

Cisco IOS On Linux(IOL)是 Cisco IOS-XE 的简化版,它是 Cisco IOS 的一种轻量级实现。IOL 并不需要完整的虚拟机(Virtual Machine, VM)环境,可以直接在 Linux 上运行,极大地减少了对系统资源的需求。IOL 节点通过更精简的方式提供了 Cisco IOS 功能,适合构建实验室、测试网络协议和验证网络设计。

网络技术联盟站 476

Python实战:5分钟用高斯核函数搞定非线性分类(附完整代码)

本文通过Python实战,详细演示了如何利用高斯核函数快速构建SVM分类器,解决非线性可分问题。文章提供了从数据生成、模型构建、参数调优到决策边界可视化的完整代码,并解释了高斯核函数通过核技巧实现维度跃迁的核心原理,帮助开发者快速上手应用。

o5p6q的博客 377

2020年大连理工大学《计算机控制技术》期末试卷

2020年大连理工大学《计算机控制技术》期末试卷 2020年大连理工大学《计算机控制技术》期末试卷 2020年大连理工大学《计算机控制技术》期末试卷 2020年大连理工大学《计算机控制技术》期末试卷 ...

无名何许人的博客 651

13、离散时间系统建模与分析

本文系统介绍了离散时间系统的建模与分析方法,涵盖连续时间模型的离散化过程、系统稳定性判断准则、输入输出模型转换方法以及有限脉冲响应和阶跃响应模型的应用。通过多个示例详细展示了不同系统在离散化过程中的特性变化,并探讨了采样间隔对系统动态特性的影响。此外,文章还分析了时间延迟的处理方法,并总结了关键知识点及操作步骤,为离散时间系统的实际应用提供了理论基础和实践指导。

2w3e4r5t6y的博客 191

SVM核函数大揭秘:一文读懂线性核、多项式核、RBF核和Sigmoid核(附Python代码)

在支持向量机(SVM)的世界里,核函数就像哈利波特的魔法棒——轻轻一挥,就能让线性不可分的数据变得服服帖帖!今天我们就来深度解析SVM最常用的四大核函数,用最通俗的语言+最直观的代码,带你玩转核技巧。默认选择RBF核:除非有明确理由用其他核线性核三板斧:高维稀疏数据+大规模数据+快速原型多项式核当备胎:当RBF核参数难调时尝试Sigmoid核慎用:除非你懂它在干什么💡温馨提示:核函数不是越复杂越好,适合数据的才是最好的!建议通过交叉验证实验确定最终方案。

qiutesting的博客 6898

无线充电Qi协议正向通信FSK的解调设计

常见的FSK解调方法是使用频率锁相环(PLL)来跟踪输入信号中的频率变化。PLL根据输入信号的频率变化来生成数字信号,从而实现FSK信号的解调。本文将详细介绍无线充电Qi协议正向通信FSK的解调设计,并提供相应的源代码。在上述示例代码中,我们首先定义了FSK解调的参数,包括采样率、载波频率、每个比特的持续时间和比特判定阈值。最后,通过比较滤波后的信号与比特判定阈值,我们将解调后的数字数据转换为0和1的序列。请注意,上述代码仅为示例,实际的解调设计可能需要根据具体的应用场景和系统要求进行调整和优化。

IunScala的博客 2446

别再死记硬背公式了!用Python可视化带你搞懂高斯核函数(RBF)的升维魔法

本文通过Python可视化工具深入解析高斯核函数(RBF)的升维原理,帮助读者直观理解其在机器学习中的应用。从一维数据到高维映射,结合matplotlib和seaborn展示不同γ值下的核函数曲线,揭示RBF如何使线性不可分数据变得可分,并探讨其在SVM等算法中的实际应用与调参技巧。

weixin_26742753的博客 357

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")

霍尼韦尔SoftMaster使用说明

霍尼韦尔SoftMaster使用说明

终极指南:ChatGLM3日志系统设计与实现——让推理过程可追溯与性能监控更简单

ChatGLM3作为开源双语对话语言模型,其日志系统设计是确保模型推理过程可追溯与性能监控的关键环节。本文将详细介绍ChatGLM3日志系统的设计理念、实现方式以及如何利用日志进行推理过程追踪和性能分析,帮助开发者更好地理解和使用ChatGLM3。 ## 日志系统的重要性:为何ChatGLM3需要完善的日志设计? 在AI模型的开发和应用过程中,日志系统扮演着至关重要的角色。对于ChatGLM3

gitblog_00829的博客 536

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。

机器学习SVM高斯核函数作业中使用python等高线图可视化决策边界

svc = svm.SVC(C=100, kernel='rbf', gamma=10, probability=True) svc.fit(data[['X1', 'X2']], data['y']) svc.score(data[['X1', 'X2']], data['y']) predict_prob = svc.predict_proba(data[['X1', 'X2']])[:, 0] print(predict_prob.shape) #决策边界 axis=[0, 1, 0.3,1]#初始.

YANHUA的博客 3535

IEM模型,地表粗糙度模拟

利用微波反演土壤水分时候,利用IEM模型可以实现对随机地表的模拟

[机器学习与scikit-learn-41]:算法-分类-支持向量机-不同核函数的比较与最佳核函数以及代码演示

作者主页(文火冰糖的硅基工坊):文火冰糖(王文兵)的博客_文火冰糖的硅基工坊_优快云博客 本文网址: 目录 前言: 第1步骤:导入库 第2步骤:四种不同的数据集 第3步骤:四种不同的核函数 3.1 模型训练与可视化 3.2 效果图比较 前言: scikit-learn支持多种不同的核函数,实现对线性不可分数据的分类,本文展现不同核函数的效果。 第1步骤:导入库 import numpy as np import matplotlib.pyplot as plt from ma

文火冰糖(王文兵)的博客 1703

SVM核心思想、线性核函数及RBF核函数分类结果可视化

SVM原理:https://blog.youkuaiyun.com/weixin_39620099/article/details/111295837?utm_medium=distribute.pc_relevant.none-task-blog-baidujs_title-0&spm=1001.2101.3001.4242 线性核函数可视化:https://blog.youkuaiyun.com/u011995719/article/details/81157193 RBF核函数可视化:https://blog.c

weixin_41698730的博客 1271

seaborn可视化学习之categorial visualization(附数据集)

Seaborn是一个做数据可视化效果很棒的库。在看了官方tutorial之后,尝试用Iris鸢尾花数据集实践一下categorical visualization,也就是数据按类别进行可视化。首先介绍一下Iris鸢尾花数据集,内容摘自百度百科:Iris数据集是常用的分类实验数据集,由Fisher, 1936收集整理。“Iris也称鸢尾花卉数据集,是一类多重变量分析的数据集。数据集包含150个数据集...

sir_chai的博客 1129

核函数的种类和应用场景

添加链接描述

weixin_41529389的博客 2169

机器学习笔记(二十八):高斯核函数

凌云时刻 · 技术导读:核函数是机器学习算法中一个重要的概念。简单来讲,核函数就是样本数据点的转换函数。这一节我们来看看应用非常广泛的一个核函数,高斯核函数。作者 | 计缘来源 |凌云...

云布道师 6万+
上一篇: 从CAD到游戏引擎:B-Rep表示法在建模全流程中的5个关键应用场景
下一篇: 深入解析NOR Flash与NAND Flash:从浮栅晶体管到实际应用
人间清醒863
博客等级 码龄3年 33粉丝 1544原创
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  | 博主筛选后可见
 
 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