CorePlot学习

1、CPTXYGraph:基于xy轴的图,可以设置其主题 CPTTheme ,主题跟其他软件中的换肤差不多一个意思。

2、CPTTheme:目前支持5种主题 。

3、CPTGraphHostingView:主画布。CPTXYGraph作为 主画布的属性。在HostingView上画图。基于坐标的图。

4、CPTXYPlotSpace:CPT画的x、y二维空间是可以无限延伸的。我们在屏幕上 能看到的一部分 就是通过CPTXYPlotSpace来设置的。

5、CPTXYAxisSet:轴集合。包含 x轴 和 y轴 的对象:CPTXYAxis。

6、CPTXYAxis:设置x、y轴的属性。如:原点,量度间隔,标签,刻度,颜色等。

7、CPTGradient:创建一个颜色渐变。

8、CPTFill:创建颜色填充。 

9、CPTMutableLineStyle:描述线条的颜色、宽度和样式等。。


  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
以下是代码实现: ```python import pandas as pd import numpy as np from keras.utils import np_utils from keras.models import Sequential from keras.layers.core import Dense, Dropout, Activation from sklearn.model_selection import train_test_split import matplotlib.pyplot as plt # 1.读取数据集 data = pd.read_csv('data-04-zoo.csv', header=None) # 2.切分x和y x = data.iloc[:, :-1].values y = data.iloc[:, -1].values # 3.独热编码 y_encoded = np_utils.to_categorical(y) # 4.搭建网络模型 model = Sequential() model.add(Dense(64, input_dim=16, activation='relu')) model.add(Dropout(0.5)) model.add(Dense(32, activation='relu')) model.add(Dropout(0.5)) model.add(Dense(7, activation='softmax')) # 5.模型配置 model.compile(loss='categorical_crossentropy', optimizer='adam', metrics=['accuracy']) # 6.训练模型 X_train, X_val, y_train, y_val = train_test_split(x, y_encoded, test_size=0.2) history = model.fit(X_train, y_train, epochs=100, batch_size=16, verbose=1, validation_data=(X_val, y_val)) # 8.绘制损失曲线 plt.plot(history.history['loss'], label='train') plt.plot(history.history['val_loss'], label='validation') plt.title('Loss') plt.xlabel('Epoch') plt.ylabel('Loss') plt.legend() plt.show() # 9.绘制准确率曲线 plt.plot(history.history['accuracy'], label='train') plt.plot(history.history['val_accuracy'], label='validation') plt.title('Accuracy') plt.xlabel('Epoch') plt.ylabel('Accuracy') plt.legend() plt.show() # 10.保存模型 model.save('model1.h5') ``` 解释一下代码: 1. 首先读取数据集,使用 pandas 库的 read_csv 函数读取。 2. 然后将 x 和 y 进行切分,x 是前面所有列,y 是最后一列。 3. 对 y 进行独热编码处理,使用 keras 的 np_utils.to_categorical 函数。 4. 搭建网络模型,使用 Sequential 模型,添加 Dense 层和 Dropout 层,最后输出层是 7 个神经元,使用 softmax 激活函数进行多分类。 5. 模型配置,使用交叉熵损失函数和 Adam 优化器,评价指标是准确率。 6. 训练模型,使用 train_test_split 函数将数据集分成训练集和验证集,epochs 是迭代次数,batch_size 是批次大小,verbose 是打印日志的级别,validation_data 是验证集数据。 8. 绘制训练集和验证集的损失曲线,使用 matplotlib 库的 plot 函数。 9. 绘制训练集和验证集的准确率曲线,使用 matplotlib 库的 plot 函数。 10. 保存训练好的模型,使用 model.save 函数,模型名称是 model1.h5。

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
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