【菜鸟系列读书会】7-8章读书笔记(入门篇)

7.1别让图标犯错

7.1.1让图表“五脏俱全”

  • 标题
  • 图例
  • 单位
  • 脚注
  • 资料来源

7.1.2要注意的条条框框

  • 避免生出无意义的图表
  • 不要把图表撑破
  • 只选对的,不选复杂的
  • 一句话标题,讲短语变成句子

注意事项

  • 饼图:①要按照时钟表盘的刻度,把数据从12点钟的位置开始排列,最重要的成分紧靠12点钟的位置②数据项不要太多,保持在5项以内③不要使用爆炸式“饼图分离”④饼图不要使用图例⑤尽量不使用标签连线⑥尽量不使用3D效果⑦当扇区使眼色填充时,推荐使用白色的边框线 
  • 复合饼图:将分类数据所占比例较小的分类合并成“其他”项,
  • 柱形图:①同一数据序列使用相同颜色②不要使用倾斜的标签③纵坐标轴一般刻度从0开始③最好添加数据标签
  • 条形图:①同一数据序列使用相同颜色②尽量让数据由大到小排序,方便阅读③不要使用倾斜的标签④最好添加数据标签
  • 折线图:①折线选用的线型要相对粗些,最好比网格线、坐标轴更突出②线条一般不超过5条③不要使用倾斜的标签④纵坐标轴一般刻度从0开始

7.1.3图表会说谎

  • 虚张声势的增长
  • 3D效果的伪装
  • 逆序排列的误导
  • 一维图形的障眼法

7.2图标美化

7.2.1图标美化的三原则

  • 简约
  • 整洁
  • 对比

7.2.2美化图表的技巧

  • 最大化数据墨水比:①去掉不必要的背景填充色②去掉无意义的颜色分类③去掉装饰性的渐变色④去掉网格线、边框⑤删掉不必要的图例⑥去掉不必要的坐标轴⑦去掉装饰性图片⑧以上不能去掉的元素就尽量淡化⑨对需强调的数据元素进行突出标识
  • 找出隐形的线
  • 图表喜欢的数字格式:arial字体
  • 如何突出对比

8.1初识数据分析报告

8.1.1数据分析报告是什么
8.1.2数据分析报告的写作原则

  • 规范性
  • 重要性
  • 谨慎性
  • 创新性

8.1.3数据分析报告的作用

  • 展示分析结果
  • 验证分析质量
  • 提供决策参考

8.1.4数据分析报告的种类

  • 专题分析报告:①单一性②深入性
  • 综合分析报告:①全面性②联系性
  • 日常数据通报:①进度性②规范性③时效性

8.2数据分析报告的结构

总分总

8.2.1标题页

  • 标题常用的类型:①解释基本观点②概括主要内容③交待分析主题④提出问题
  • 标题的制作要求:①直接②确切③简洁
  • 标题的艺术性

8.2.2目录
8.2.3前言

  • 分析背景
  • 分析目的
  • 分析思路

8.2.4正文
8.2.5结论与建议
8.2.6附录

8.3撰写报告时的注意事项

  • 结构合理,逻辑清晰
  • 实事求是,反映真相
  • 用词准确,避免含糊
  • 篇幅适宜,简洁有效
  • 结合业务,分析合理
  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
1 目标检测的定义 目标检测(Object Detection)的任务是找出图像中所有感兴趣的目标(物体),确定它们的类别和位置,是计算机视觉领域的核心问题之一。由于各类物体有不同的外观、形状和姿态,加上成像时光照、遮挡等因素的干扰,目标检测一直是计算机视觉领域最具有挑战性的问题。 目标检测任务可分为两个关键的子任务,目标定位和目标分类。首先检测图像中目标的位置(目标定位),然后给出每个目标的具体类别(目标分类)。输出结果是一个边界框(称为Bounding-box,一般形式为(x1,y1,x2,y2),表示框的左上角坐标和右下角坐标),一个置信度分数(Confidence Score),表示边界框中是否包含检测对象的概率和各个类别的概率(首先得到类别概率,经过Softmax可得到类别标签)。 1.1 Two stage方法 目前主流的基于深度学习的目标检测算法主要分为两类:Two stage和One stage。Two stage方法将目标检测过程分为两个阶段。第一个阶段是 Region Proposal 生成阶段,主要用于生成潜在的目标候选框(Bounding-box proposals)。这个阶段通常使用卷积神经网络(CNN)从输入图像中提取特征,然后通过一些技巧(如选择性搜索)来生成候选框。第二个阶段是分类和位置精修阶段,将第一个阶段生成的候选框输入到另一个 CNN 中进行分类,并根据分类结果对候选框的位置进行微调。Two stage 方法的优点是准确度较高,缺点是速度相对较慢。 常见Tow stage目标检测算法有:R-CNN系列、SPPNet等。 1.2 One stage方法 One stage方法直接利用模型提取特征值,并利用这些特征值进行目标的分类和定位,不需要生成Region Proposal。这种方法的优点是速度快,因为省略了Region Proposal生成的过程。One stage方法的缺点是准确度相对较低,因为它没有对潜在的目标进行预先筛选。 常见的One stage目标检测算法有:YOLO系列、SSD系列和RetinaNet等。 2 常见名词解释 2.1 NMS(Non-Maximum Suppression) 目标检测模型一般会给出目标的多个预测边界框,对成百上千的预测边界框都进行调整肯定是不可行的,需要对这些结果先进行一个大体的挑选。NMS称为非极大值抑制,作用是从众多预测边界框中挑选出最具代表性的结果,这样可以加快算法效率,其主要流程如下: 设定一个置信度分数阈值,将置信度分数小于阈值的直接过滤掉 将剩下框的置信度分数从大到小排序,选中值最大的框 遍历其余的框,如果和当前框的重叠面积(IOU)大于设定的阈值(一般为0.7),就将框删除(超过设定阈值,认为两个框的里面的物体属于同一个类别) 从未处理的框中继续选一个置信度分数最大的,重复上述过程,直至所有框处理完毕 2.2 IoU(Intersection over Union) 定义了两个边界框的重叠度,当预测边界框和真实边界框差异很小时,或重叠度很大时,表示模型产生的预测边界框很准确。边界框A、B的IOU计算公式为: 2.3 mAP(mean Average Precision) mAP即均值平均精度,是评估目标检测模型效果的最重要指标,这个值介于0到1之间,且越大越好。mAP是AP(Average Precision)的平均值,那么首先需要了解AP的概念。想要了解AP的概念,还要首先了解目标检测中Precision和Recall的概念。 首先我们设置置信度阈值(Confidence Threshold)和IoU阈值(一般设置为0.5,也会衡量0.75以及0.9的mAP值): 当一个预测边界框被认为是True Positive(TP)时,需要同时满足下面三个条件: Confidence Score > Confidence Threshold 预测类别匹配真实值(Ground truth)的类别 预测边界框的IoU大于设定的IoU阈值 不满足条件2或条件3,则认为是False Positive(FP)。当对应同一个真值有多个预测结果时,只有最高置信度分数的预测结果被认为是True Positive,其余被认为是False Positive。 Precision和Recall的概念如下图所示: Precision表示TP与预测边界框数量的比值 Recall表示TP与真实边界框数量的比值 改变不同的置信度阈值,可以获得多组Precision和Recall,Recall放X轴,Precision放Y轴,可以画出一个Precision-Recall曲线,简称P-R
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