精选顶级期刊中的三幅可复现图表

本文分享了来自领域顶级期刊的三种可视化案例,包括折线图、局部放大和散点图,双Y轴图形、细节调整,以及折线图与局部柱状图的组合。每种图形附带R语言绘制教程和相关配色代码,帮助读者理解和复现科学出版物中的精美图表。
摘要由CSDN通过智能技术生成

简介

最近在阅读文献时,发现了一些出色的可视化案例,特此与大家分享。这些图共同的特点是:1. 易懂明晰; 2. 信息丰富; 3. 配色优雅。

小编有话说:以下三幅图选自领域内顶级期刊,虽然并非采用R语言进行绘制,但图形绘制的关键知识点小编都总结过。由于时间和精力有限,目前未对这些图进行一一复现。在未来,若有需要,我会尽量尝试重新绘制这些图形。

小编简要解释图形构成,提供配色代码以及相关教程,以便读者们更好理解。

1. 折线图 + 局部放大图 + 散点图

来自图9 Zhao, B., et al (2024). "Research on the remaining useful life prediction method for lithium-ion batteries by fusion of feature engineering and deep learning." Applied Energy 358.

# 配色
c("#A462A1","#B76998","#CF819A","#E8A3A2","#F5DFD6")

相关教程复现sci顶刊中的画中画(局部细节放大)利用 cowplot 包快速对齐图片基于 R 语言的科研论文绘图技巧汇总

2. 双 Y 轴折线图和面积图 + 细节调整(直线,箭头,文字)

来自图10Zhao, B., et al (2024). "Research on the remaining useful life prediction method for lithium-ion batteries by fusion of feature engineering and deep learning." Applied Energy 358.

# 配色
c("#98D1BC","#E4B57D","#79BFD6","#BBDDEA")

相关教程使用分面展示不同组别的双 Y 轴图形实现双 Y 轴

3. 折线图 + 局部柱状图和密度函数曲线

Cai, X., et al (2024). "RUL Prediction for Two-Phase Degrading Systems Considering Physical Damage Observations." Reliability Engineering & System Safety.

# 配色
c("#347199","#8DB68D","#DE3020","#CECEEA","#89DD92")

相关教程绘制混合密度函数图以及添加分位数线复现 sci 顶刊中的 3D 密度函数图

  • 9
    点赞
  • 10
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
WDCNN(Wide and Deep Convolutional Neural Network)是一种经典的深度学习模型,它结合了卷积神经网络(CNN)的广度和深度学习的思想,在多个领域都取得了良好的表现。下面是使用PyTorch复现WDCNN模型的步骤: 1. 数据准备:从数据集获取需要训练和测试的数据,并进行预处理。预处理包括数据的归一化、划分训练集和测试集等。 2. 模型搭建:使用PyTorch搭建WDCNN模型。首先定义卷积层和池化层,然后定义全连接层。可以根据具体需求选择不同的卷积神经网络结构,也可以自定义网络结构。 3. 模型训练:使用定义好的模型对训练集进行训练。可以使用随机梯度下降(SGD)等优化算法,选择合适的损失函数计算损失,并通过反向传播算法更新模型的参数。 4. 模型评估:使用训练好的模型对测试集进行预测,计算预测准确率等评价指标。可以使用混淆矩阵、准确率、召回率等指标评估模型性能。 5. 超参数调优:根据模型的评估结果,调整超参数,如学习率、batch size等,以提高模型的性能。 6. 模型保存和加载:将训练好的模型保存到本地文件,以便后续的使用和部署。可以使用PyTorch提供的模型保存和加载功能。 通过以上步骤,可以使用PyTorch复现WDCNN模型。在实际应用,根据具体任务的需求,可以对模型结构进行修改和优化,例如添加正则化、dropout层等,以提高模型的泛化能力和鲁棒性。同时,可以通过增加训练数据集的规模、使用数据增强等方法来进一步改善模型性能。

“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