axis

Matplotlib三层结构 容器层： 主要由Canvas、Figure、Axes组成。 Canvas是位于最底层的系统层，在绘图的过程中充当画板的角色，即放置画布(Figure)的工具。 Figure是Canvas上方的第一层，也是需要用户来操作的应用层的第一层，在绘图的过程中充当画布的角色。 Axes是应用层的第二层，在绘图的过程中相当于画布上的绘图区的角色。 Figure:指整个图形(可以通过plt.figure()设置画布的大小和分辨率等) Axes(坐标系):数据的绘图区域 Axis(坐标轴)：坐标系中的一条轴，包含大小限制、刻度和刻度标签 注意点： 一个figure(画布)可以包含多个axes(坐标系/绘图区)，但是一个axes只能属于一个figure。 一个axes(坐标系/绘图区)可以包含多个axis(坐标轴)，包含两个即为2d坐标系，3个即为3d坐标系 。 辅助显示层 辅助显示层为Axes(绘图区)内的除了根据数据绘制出的图像以外的内容，主要包括Axes外观(facecolor)、边框线(spines)、坐标轴(axis)、坐标轴名称(axis label)、坐标轴刻度(tick)、坐标轴刻度标签(tick label)、网格线(grid)、图例(legend)、标题(title)等内容。 该层的设置可使图像显示更加直观更加容易被用户理解

tf.argmax 与 tf.arg_max 用法相同，下面介绍 tf.argmax 用法 tf.argmax def argmax(input, axis=None, name=None, dimension=None, output_type=dtypes.int64) numpy.argmax(a, axis=None, out=None) 返回沿轴axis最大值的索引。 Parameters: input: array_like，数组 axis : int, 可选，默认情况下，索引的是平铺的数组，否则沿指定的轴。 out : array, 可选 如果提供，结果以合适的形状和类型被插入到此数组中。 Returns: index_array : ndarray of ints 索引数组。它具有与a.shape相同的形状，其中axis被移除。 tf.argmax() 与 numpy.argmax() 方法的用法是一致的 axis = 0 的时候返回每一列最大值的位置索引 axis = 1 的时候返回每一行最大值的位置索引 axis = 2、3、4 ...，即为多维张量时，同理推断 例子 >>> a = np.arange(6).reshape(2,3) >>> a array([[0, 1, 2], [3, 4, 5]]) >>> np.argmax(a) 5 >>> np

下表为是否适合 打垒球 的决策表，预测 E= { 天气 = 晴， 温度 = 适中， 湿度 = 正常， 风速 = 弱 } 的场合，是否合适中打垒球。 天气 温度 湿度 风速 活动 晴 炎热 高 弱 取消 晴 炎热 高 强 取消 阴 炎热 高 弱 进行 雨 适中 高 弱 进行 雨 寒冷 正常 弱 进行 雨 寒冷 正常 强 取消 阴 寒冷 正常 强 进行 晴 适中 高 弱 取消 晴 寒冷 正常 弱 进行 雨 适中 正常 弱 进行 晴 适中 正常 强 进行 阴 适中 高 强 进行 阴 炎热 正常 弱 进行 雨 适中 高 强 取消 如何发现这些数据之中所掩藏的规律，从而较好的预测在给定条件下，所可能的结果。决策树是一种以示例为基础的归纳学习方法，能够较好的解决这类问题。 一个简单的例子 请给出布尔函数（ A * -B ） + C （ + ：或， * ：与， - 非）的最小体积（或结点）决策树。 当C 为 1 时， AB 不管取何值整个表达式都为真，此时这个表达式就可以确定真假，所以选择 C 作为头结点。若 C 为 0 ，表达式无法确定真假，还需进一步看 AB 的取值， A 与非 B 是与的关系，两者具有相同的地位，所以接下来无论取 A 还是 B 都可以，整个决策树构造结果如下图所示。 类似于这个简单例子对于打垒球这些数据，我们可以将天气，温度，湿度，风速（可以成为属性或特征

前面一个NumPy系列基本上是抄书，没有多少具体的内容。最近做实验经常使用NumPy，确实感觉到向量计算的强大。这个系列开始，我记录在使用NumPy使用中的一些具体的技巧和注意事项。 1） 巧用 where函数 where函数是numpy的内置，也是一个非常有用的函数，提供了快速并且灵活的计算功能。 def f_norm_1(data, estimate): residule = 0 for row_index in range(data.shape[0]): for column_index in range(data.shape[1]): if data[row_index][column_index] != 0: residule += (data[row_index][column_index] - estimate[row_index][column_index]) ** 2 return residule def f_norm_2(data, estimate) return sum(where(data != 0, (data-estimate) **2, 0)) 这两段代码完成同样的功能，计算两个矩阵的差，然后将残差进行平方，注意，因为我需要的是考虑矩阵稀疏性，所以不能用内置的norm，函数1是我用普通的python写的，不太复杂，对于规模10*10的矩阵