matlab light log,Matlab使用小经验

最近使用matlab,看到一些小技巧,总结至此

1.如xlabel('\fontname{times New

Toman}\fontsize{40}你好'),可以更快捷、更方便的设置显示内容的属性,当然也可以直接在figure中设置

2.isosurface函数可以画隐函数的等值曲线或曲面

如画笛卡尔心形函数,其方程为(x^2 + (9/4)y^2 + z^2 - 1)^3 - x^2z^3 -

(9/80)y^2z^3 = 0,可参考网址http://luo.bo/1924/

由于是隐函数,不好用一般的方法画出其图形来,这就可以用isosurface来实现,代码如下

figure

[x,y,z]=meshgrid(linspace(-3,3)); %做出网格meshgrid p=(x.^2+(9/4)*y.^2+z.^2-1).^3-x.^2.*z.^3-(9/80)*y.^2.*z.^3; %实现结果的表达

isosurface(x,y,z,p,0,x);

axis equal;

axis off;

view(0,45); %视角的控制

colormap([1 0 0]); %绘图颜色红色

brighten(0.5); %增亮

camlight

right; %光源位置

lighting

phong; %光照模式

a4c26d1e5885305701be709a3d33442f.png

另外这个函数还有一个好处是,可以得到等值面的顶点和面,然后可以直接调用patch画出来

fv = isosurface(x,y,z,p,0);

patch(fv)

这一点很好,可以将得到的顶点和面保存到文件,用opengl画出来,可以更好的渲染图形,这点已经实现。

下面简单翻译一下help里的解释吧:

isosurface函数用于由体积数据中提取等值数据。

使用方法如下

fv = isosurface(X,Y,Z,V,isovalue)

fv = isosurface(V,isovalue)

fvc = isosurface(...,colors)

[f,v] = isosurface(...)

[f,v,c] = isosurface(...)

isosurface(...)

参数意义为,从由X,Y,Z构造的体积V数据中提取由isovalue指定的等值数据,返回结果fv为一个结构体,包含了等值面的顶点和面(顶点的次序),这些参数可以直接传给patch命令画出图形来。

另外,可以在最后加上colors,返回值中也会得到每个面的颜色插值,这样能够使你用不同于计算等值面的数据控制等值面的颜色映射。

如果不设置返回值,就会自动在当前坐标系里用计算得到的顶点和面创建三维patch对象。

抱歉,我只能提供Python代码,但是我可以帮助您理解LightGBM算法的原理和使用方法。LightGBM是一种基于梯度提升树(Gradient Boosting Tree)的机器学习算法。下面是一个使用LightGBM算法的示例Python代码: ```python import lightgbm as lgb import numpy as np import pandas as pd from sklearn.model_selection import train_test_split # 加载数据 data = pd.read_csv('data.csv') X = data.drop('target', axis=1) y = data['target'] # 划分训练集和测试集 X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42) # 将数据转换为LightGBM的Dataset格式 train_data = lgb.Dataset(X_train, label=y_train) # 设置参数 params = { 'objective': 'binary', 'metric': 'binary_logloss', 'boosting_type': 'gbdt', 'num_leaves': 31, 'learning_rate': 0.05, 'feature_fraction': 0.9, 'bagging_fraction': 0.8, 'bagging_freq': 5, 'verbose': 0 } # 训练模型 model = lgb.train(params, train_data, num_boost_round=100) # 在测试集上进行预测 y_pred = model.predict(X_test) # 根据需要进行后续操作,比如计算评估指标、保存模型等 ``` 这是一个简单的示例,您可以根据自己的数据和需求进行相应的调整。在这个示例中,我们首先加载数据,然后将数据划分为训练集和测试集。接下来,我们将训练集转换为LightGBM的Dataset格式,并设置模型的参数。然后,我们使用训练集训练模型,并在测试集上进行预测。最后,您可以根据需要进行后续操作,比如计算评估指标、保存模型等。 请注意,这只是一个简单的示例代码,实际使用LightGBM算法时可能需要更多的步骤和参数调整。希望对您有所帮助!如果您需要更多帮助,请随时提问。
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