23、自主实践:提升数据故事讲述能力

自主实践:提升数据故事讲述能力

在数据可视化和数据故事讲述的学习中,实践是提升技能的关键。以下将为大家介绍一系列丰富多样的实践练习,涵盖不同场景和数据类型,帮助大家更好地掌握相关技能。

练习概述

这些练习可以独自完成,也能与伙伴或小组合作。随着练习的推进,其细微差别和复杂度会逐步增加。即便某些主题或数据看似与当前工作无关,也建议大家认真完成,持续的练习能让所学知识深入人心,还能在低风险环境中精进技能。完成练习后,获取反馈并思考如何将解决方案应用到实际工作中。

具体练习
  1. 多元化招聘练习(Exercise 8.1)
    • 步骤流程
      • 步骤 1 :分析展示多元化招聘数据的幻灯片,找出其优点。
      • 步骤 2 :指出幻灯片存在的不理想之处,可记录或与伙伴讨论。
      • 步骤 3 :明确主要信息,判断这是成功案例还是行动呼吁,并清晰阐述展示数据时的重点。
      • 步骤 4 :假设需以表格形式展示数据,思考如何改进数据呈现方式以突出步骤 3 中的主要信息,可绘制或使用工具创建表格,并说明引导注意力的位置和方法。
      • 步骤 5 :若有更多修改自由,思考如何呈现数据并讲述关于“ABC 项目”多元化招聘的数据驱动故事,规划方法后用工
MATLAB代码实现了一个基于多种智能优化算法优化RBF神经网络的回归预测模型,其核心是通过智能优化算法自动寻找最优的RBF扩展参数(spread),以提升预测精度。 1.主要功能 多算法优化RBF网络:使用多种智能优化算法优化RBF神经网络的核心参数spread。 回归预测:对输入特征进行回归预测,适用于连续值输出问题。 性能对比:对比不同优化算法在训练集和测试集上的预测性能,绘制适应度曲线、预测对比图、误差指标柱状图等。 2.算法步骤 数据准备:导入数据,随机打乱,划分训练集和测试集(默认7:3)。 数据归一化:使用mapminmax将输入和输出归一化到[0,1]区间。 标准RBF建模:使用固定spread=100建立基准RBF模型。 智能优化循环: 调用优化算法(从指定文件夹中读取算法文件)优化spread参数。 使用优化后的spread重新训练RBF网络。 评估预测结果,保存性能指标。 结果可视化: 绘制适应度曲线、训练集/测试集预测对比图。 绘制误差指标(MAE、RMSE、MAPE、MBE)柱状图。 十种智能优化算法分别是: GWO:灰狼算法 HBA:蜜獾算法 IAO:改进天鹰优化算法,改进①:Tent混沌映射种群初始化,改进②:自适应权重 MFO:飞蛾扑火算法 MPA:海洋捕食者算法 NGO:北方苍鹰算法 OOA:鱼鹰优化算法 RTH:红尾鹰算法 WOA:鲸鱼算法 ZOA:斑马算法
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
 
红包 添加红包
表情包 插入表情
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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