箱形图适用于哪种数据_python数据分布型图表箱形图系列带误差线箱形图

2c66768601d11ed50b15bf3357605485.png

箱形图系列

箱形图(box plot)也称箱须图(box-whisker plot)、箱线图、盒图

  • 显示一组数据的最大值、最小值、中位数、及上下四分位数;

  • 用来反映一组或多组连续型定量数据分布的中心位置和散步范围;

  • 从盒子两端延伸出来的线条称为“晶须”(whisker);

  • 用来表示上下四分位数以外的变量;

异常值(outlier)

有时会以与晶须处于同一水平的单一数据点表示;

四分位数(quartile)

在统计学中把所有数值由小到大排列并分成四等份;处于三个分割点位置的数值;

分位数

将总体的全部数据按大小顺序排列后,处于各等分位置的变量值;

中位数

如果将全部数据分成相等的两部分;

四分位数

如果分成四等分;也称为四分位点;将全部数据分成相等的四部分,其中每部分包括25%的数据,处于各分位点的数值;四分位数有三个

  • 第一个四分位数---下四分位数;

    • 也称为“较小四分位”,等于该

  • 1
    点赞
  • 5
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
误差反向传播是神经网络中常用的学习算法,它的目的是通过调整网络中的权重参数,使得神经网络的输出与监督标签尽可能接近。为了实现这一目标,需要将神经网络的输出与监督标签之间的误差高效地传递回神经网络的前面层。 误差反向传播算法的核心思想是根据输出与监督标签之间的误差,从网络的最后一层开始,逐层计算每一层的误差。这样可以通过链式法则将误差逐层传递回前面的层,最终得到各个层的误差梯度。这些误差梯度可以用于调整各个层之间的权重参数,以减小误差并提高模的精度。 误差反向传播算法使用损失函数来度量神经网络输出与监督标签之间的差异。常见的损失函数有均方误差损失函数和交叉熵损失函数。这些损失函数能够根据神经网络的输出与监督标签之间的差异,计算误差的大小,并将误差反向传播回前面的层。 误差反向传播算法的实现过程包括训练过程和测试过程。在训练过程中,根据损失函数计算误差,并根据误差梯度调整权重参数,以使神经网络的输出更接近监督标签。在测试过程中,使用训练好的网络进行预测,并根据预测结果评估模的性能。 总之,误差反向传播算法是一种通过计算误差梯度并将误差逐层传递回前面的层,以调整权重参数来提高神经网络性能的学习算法。它的主要目的是将网络输出与监督标签的误差最小化,从而提高模的准确性。
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