Technical sharing by programmers
NumPy 函式 ptp() 計算陣列沿指定軸的峰值之差（即峰-峰值）。 這是它的功能： 以下是語法： numpy.ptp(a, axis=None, out=None, keepdims=<no value>) 例如： import numpy as np # 創建一個陣列 x = np.array([[4, 9, 2, 10], [6, 9, 7, 12]]) # x.shape is (2, 4) # 沿著軸 0 計算峰-峰值 result = np.ptp(x, …
水平分割 垂直分割 深度分割
水平、橫向合併 垂直、直立合併 深度合併
首先，使用make_regression函數生成了一些合成數據，然後將數據分成訓練集和測試集。接著創建了LinearRegression模型的實例，並使用訓練集對模型進行訓練。訓練完成後，打印出了模型的係數和對新數據的預測結果。最後，通過可視化將訓練集和測試集的散點圖以及線性回歸的平面呈現出來。
DBSCAN（Density-Based Spatial Clustering of Applications with Noise）是一種密度聚類算法，用於將數據點劃分為多個集群，同時可以識別和排除噪音點。該算法基於以下概念： DBSCAN算法運行步驟如下： DBSCAN的主要優勢是： 總的來說，DBSCAN是一種強大的聚類算法，特別適用於處理具有不同密度和形狀的數據集。
在影像科學中的一個常見應用是將圖像組件從彼此分割開來，這稱為閾值化。傳統的閾值化技術在圖像的背景是平坦的情況下效果很好。不幸的是，這種情況並不常見；相反，圖像中的背景在視覺上會在整個圖像中發生變化。因此，人們開發了自適應閾值化技術，我們可以很容易地在 scikit-image 中使用它們。
稀疏矩陣相對於密集矩陣在處理大多數元素為零的大型數組時的效率。稀疏矩陣僅存儲非零元素及其位置，導致在某些操作中記憶體使用量和計算時間大幅減少。
向量量化是一個通用術語，可以與信號處理、數據壓縮和聚類相關聯。在這裡，我們將專注於聚類組件，從如何將數據提供給vq包以識別聚類開始。
在SciPy的stats模塊中，norm代表正態分佈，也被稱為高斯分佈。正態分佈是一種連續概率分佈，其在平均值周圍對稱。 SciPy中的norm對象表示具有指定均值（loc）和標準差（scale）的正態分佈。它提供了各種方法來處理正態分佈，例如計算概率密度函數（PDF）、累積分佈函數（CDF）、生成隨機樣本等。 在提供的代碼中，norm用於創建一個具有均值（loc）為0和標準差（scale）為1的正態分佈對象。然後，使用這個分佈對象（dist）計算PDF、CDF，並從正態分佈生成隨機樣本。 在這個例子中，pdf 和 cdf 是根據模型預測的值，而 sample 是隨機模擬出的值，用於檢驗模型與實際數據的符合程度。 PDF 與 sample的分佈是一致。CDF（累積分佈函數）代表的是在某個數值之前的累積概率。對於正態分佈來說，當 x 值由-5往0時越接近平均值，累積概率越接近 0.5，這是因為正態分佈是對稱的, CDF在 x > 0 的區間，CDF 的值持續上升，而是趨於 1。這種情況下，如果模型的預測與實際數據相符，並且實際數據的分佈也表現出在這個區間的數值較大的趨勢，那麼可以認為模型是比較正確的