日商Panasonic與AZAPA公司宣布將攜手合作，共同開發能加速電動車之動力系統的模擬軟體。此項合作已經獲得初步成果，未來可望大幅提高汽車與電動車的開發腳步。

Panasonic指出，為開發電動車，業界對於安全駕駛、汽車聯網功能、性能提升等面向均投注相當多的心血。為提高電動車在設計階段的效率，車商會運用一種被稱為「model-base」的模擬軟體，將電動車的驅動裝置、各項零組件模組化後進行軟體模擬，利用演算法來找出能最大化電動車驅動裝置運作力的設計。透過這種模擬軟體，車商在進行系統設計與開發時，所需的時間就可大幅縮短。

Panasonic表示，未來將與AZAPA共同發展能提高自動駕駛等技術之安全性、提高車內娛樂系統功能等不同需求的模擬軟體，並將參考日本經濟產業省的規劃，協助提高日本汽車產業的競爭力。

這樣的軟體也將幫助Panasonic了解各地電動車商所需的零組件性能，進而提供適合的產品，例如車載電池。

Panasonic希望在2018財年時，將汽車事業的銷售額提高到 2015財年的1.5倍。這項新軟體的發展，對於Panasonic在汽車與鋰電池方面的長期事業都可望帶來助益。

本站聲明:網站內容來源於EnergyTrend https://www.energytrend.com.tw/ev/,如有侵權,請聯繫我們,我們將及時處理

【其他文章推薦】

※網頁設計公司推薦不同的風格，搶佔消費者視覺第一線

※廣告預算用在刀口上，台北網頁設計公司幫您達到更多曝光效益

※自行創業缺乏曝光? 網頁設計幫您第一時間規劃公司的形象門面

※南投搬家公司費用需注意的眉眉角角，別等搬了再說!

※教你寫出一流的銷售文案?

boosting

Boosting 算法的特點在於：將表現一般的弱分類器通過組合變成更好的模型。代表自然就是我們的隨即森林了。

GBDT和Adaboost是boost算法中比較常見的兩種，這裏主要講解Adaboost。

Adaboost

Adaboost算法的核心就是兩個權重。對於數據有一個權重，權重大的數據計算的損失就大；然後對於每一個弱分類器有一個權重，這個權重就是每一個弱分類器最終投票的比重。

【先給出Adaboost關鍵的公式】：
\(\alpha_1=\frac{1}{2}ln(\frac{1-\epsilon_1}{\epsilon_1})\) 分類器的投票權重
\(W_i=W_ie^{-\alpha_i y_i \hat{h}(x_i)}\) 更新樣本的權重

【隨即森林中最終投票每一個弱分類器的比重相同】

大概流程就是，現在有一個數據集，然後每個數據的比重都相同，然後訓練了好幾個不同的弱分類器。

1. 挑選錯誤率最低的弱分類器，然後通過【某種算法】得到這個弱分類器最終投票的比重，然後通過【某種算法】更新每一個數據的比重；
2. 因為每一個數據的比重更新了，所以再選擇一個錯誤率最低的弱分類器，然後通過【某種算法】得到這個弱分類器最終投票的比重，然後通過【某種算法】更新每一個數據的比重；
3. 重複這個過程。

算法的流程：

這裏給一個具體計算的例子：
假設這裡有10個數據：

加號和減號分別代表不同的類別。然後每個類別有5個樣本。

下面會給出3個弱分類器：

這三個分類器分別是\(h_1(x),h_2(x),h_3(x)\)
圖中畫圈的數據就是分類錯誤的數據。可以發現每個弱分類器都分錯了3個。下面開始Adaboost的算法。

先計算三個弱分類器的錯誤率，因為一開始每個樣本的權重都是0.1，每個分類器又都錯了3個樣本，所以錯誤率都是0.3。這裏就隨機選取第一個分類器作為錯誤率最低的那個好了。
我們這裏通過第一個【某種算法】計算第一個弱分類器在最終的投票權重：
\(\alpha_1=\frac{1}{2}ln(\frac{1-\epsilon_1}{\epsilon_1})=0.5*ln(\frac{0.7}{0.3})=0.4236\)

然後通過這個\(\alpha_1=0.4236\)來更新每一個樣本的權重。這也就是上面提到的第二個【某種算法】：
\(W(i)=W(i)*e^{-\alpha y_i \hat {h}(x_i)}\)

這啥意思的，現在假設第一個樣本+1，這個樣本的權重是0.1（更新前），然後這個樣本在第一個分類器中是非類正確的，所以\(y_i \hat{h}(x_i)=1\),所以這個樣本更新后的權重就是\(0.1e^{-0.4236}=0.0655\)

當然，對於+3這個樣本，第一個分類器就分類錯誤，所以\(y_i \hat{h}(x_i)=-1\)，所以呢這個樣本更新后的權重就是：\(0.1e^{0.4236}=0.1527\)

下面經過第一個分類器之後的樣本的權重：

然後再計算每一個分類器的基於更新之後樣本權重的錯誤率：

這一次選的是第二個分類器，然後計算它的\(\alpha_2\),然後再更新每一個樣本的權重值：

然後是再尋找錯誤率最低的分類器：

到這一步的時候，我們已經有了\(\alpha_1,\alpha_2,\alpha_3\),所以我們的adaboost已經得到了所有分類器的投票權重，所以最終的模型投票公式就是：

喜歡的話請關注我們的微信公眾號~【你好世界煉丹師】。

• 公眾號主要講統計學，數據科學，機器學習，深度學習，以及一些參加Kaggle競賽的經驗。
• 公眾號內容建議作為課後的一些相關知識的補充，飯後甜點。
• 此外，為了不過多打擾，公眾號每周推送一次，每次4~6篇精選文章。

微信搜索公眾號：你好世界煉丹師。期待您的關注。

本站聲明:網站內容來源於博客園,如有侵權,請聯繫我們,我們將及時處理

【其他文章推薦】

※網頁設計公司推薦不同的風格，搶佔消費者視覺第一線

※廣告預算用在刀口上，台北網頁設計公司幫您達到更多曝光效益

※自行創業缺乏曝光? 網頁設計幫您第一時間規劃公司的形象門面

※南投搬家公司費用需注意的眉眉角角，別等搬了再說!

※新北清潔公司,居家、辦公、裝潢細清專業服務

※教你寫出一流的銷售文案?

matplotlib 強化學習

import matplotlib.pyplot as plt
...![](https://img2020.cnblogs.com/blog/1642028/202006/1642028-20200621111043462-144482637.png)


plt.show()		#显示圖像；下面都要寫，就不重複了

二維圖表

1. 基本圖表

1. 用plot方法畫出x=(0,10)間sin的圖像

x = np.linspace(0, 10, 30)  #產生0-10之間的30個均勻數組
plt.plot(x, np.sin(x));		#以x為橫坐標，sin(x)為縱坐標打印出圖像

注：

• linspace生成的是包含結尾的數組，比如0-10生成11個數才是0,1,2,3,4,5…
• 生成10個數則是0，1.11111111, 2.22222222, 3.33333333, 4.44444444…；
• 而arrange是不包含結尾的，0-10生成10個數是0,1,2,3…

1. 用點,線的方式畫出x=(0,10)間sin的圖像

plt.plot(x, np.sin(x), '-o');
#'o’代表每個數據點用小圓圈表示，且數據點之前不用線連接，看起來很像散點圖
#'ro'代表小圓圈是紅色的
#'-'就是最普通的線型，數據點之間用實線連接。
#'--'設置線性為虛線

!

1. 用scatter方法畫出x=(0,10)間sin的點圖像

plt.scatter(x, np.sin(x));		#散點圖

1. 用餅圖的面積及顏色展示一組4維數據

rng = np.random.RandomState(0)
x = rng.randn(100)			#生成隨機數組
y = rng.randn(100)
colors = rng.rand(100)
sizes = 1000 * rng.rand(100)

plt.scatter(x, y, c=colors, s=sizes, alpha=0.3,
cmap='viridis')
plt.colorbar(); 			# 展示色階

繪製柱狀圖

x = [1,2,3,4,5,6,7,8]
y = [3,1,4,5,8,9,7,2]
label=['A','B','C','D','E','F','G','H']

plt.bar(x,y,tick_label = label);	#縱向升高
plt.barh(x,y,tick_label = label);	#換成橫向

直方圖

data = np.random.randn(1000) #生成1000個隨機數
plt.hist(data);				#畫出圖像

!

2. 自定義圖表元素

x = np.linspace(0,10,100)
plt.plot(x, np.sin(x))
plt.ylim(-1.5, 1.5);		#設置y軸显示範圍為(-1.5,1.5)

x = np.linspace(0.05, 10, 100)
y = np.sin(x)
plt.plot(x, y, label='sin(x)')
plt.xlabel('variable x');			#設置x,y軸標籤variable x，value y
plt.ylabel('value y');
plt.title('三角函數');					#設置圖表標題“三角函數”
plt.text(3.2, 0, 'sin(x)', weight='bold', color='r');	#註釋

plt.annotate('maximum',xy=(np.pi/2, 1),xytext=(np.pi/2+1, 1),weight='bold',color='r',arrowprops=dict(arrowstyle='->', connectionstyle='arc3', color='r'));					#箭頭標識

显示網格

x = np.linspace(0.05, 10, 100)
y = np.sin(x)
plt.plot(x, y)
plt.grid()

...
參數
matplotlin.pyplot.grid(b, which, axis, color, linestyle, linewidth， **kwargs) axis : 取值為‘both’， ‘x’，‘y’。就是想繪製哪個方向的網格線。不過我在輸入參數的時候發現如果輸入x或y的時候，             輸入的是哪條軸，則會隱藏哪條軸

color : 這就不用多說了，就是設置網格線的顏色。或者直接用c來代替color也可以。
plt.grid(c='g') 設置顏色為綠色

linestyle :也可以用ls來代替linestyle， 設置網格線的風格，是連續實線，虛線或者其它不同的線條。 | '-' | '--' | '-.' | ':' | 'None' | ' ' | '']
plt.grid(linestyle='-.')

linewidth : 設置網格線的寬度
...

繪製平行於x軸y=0.8的水平參考線

x = np.linspace(0.05, 10, 100)
y = np.sin(x)
plt.plot(x, y)
plt.axhline(y=0.8, ls='--', c='r')#水平參考線

3. 自定義圖像

在一張圖裡繪製sin,cos的圖形，並展示圖例

x = np.linspace(0, 10, 1000)
fig, ax = plt.subplots()

ax.plot(x, np.sin(x), label='sin')
ax.plot(x, np.cos(x), '--', label='cos')
ax.legend();

多子圖

在2個子圖中，显示sin(x)和cos(x)的圖像

fig = plt.figure()
ax1 = fig.add_axes([0.1, 0.5, 0.8, 0.4], ylim=(-1.2, 1.2))
ax2 = fig.add_axes([0.1, 0.1, 0.8, 0.4], ylim=(-1.2, 1.2))

x = np.linspace(0, 10)
ax1.plot(np.sin(x));
ax2.plot(np.cos(x));

for i in range(1, 7):		#用for創建6個子圖，並且在圖中標識出對應的子圖坐標
plt.subplot(2, 3, i)
plt.text(0.5, 0.5, str((2, 3, i)),fontsize=18, ha='center')

組合繪製大小不同的子圖

grid = plt.GridSpec(2, 3, wspace=0.4, hspace=0.3)
plt.subplot(grid[0, 0])
plt.subplot(grid[0, 1:])
plt.subplot(grid[1, :2])
plt.subplot(grid[1, 2]);

三維圖像

#38.創建一個三維畫布
from mpl_toolkits import mplot3d
fig = plt.figure()
ax = plt.axes(projection='3d')

#39.繪製一個三維螺旋線
ax = plt.axes(projection='3d')
# Data for a three-dimensional line
zline = np.linspace(0, 15, 1000)
xline = np.sin(zline)
yline = np.cos(zline)
ax.plot3D(xline, yline, zline);

#40.繪製一組三維點
ax = plt.axes(projection='3d')
zdata = 15 * np.random.random(100)
xdata = np.sin(zdata) + 0.1 * np.random.randn(100)
ydata = np.cos(zdata) + 0.1 * np.random.randn(100)
ax.scatter3D(xdata, ydata, zdata, c=zdata, cmap='Greens');

import numpy  as np
from matplotlib import pyplot  as plt
from mpl_toolkits.mplot3d import Axes3D
q1 = np.arange(0.01, 1, 0.01)
q2 = np.arange(0.01, 1 , 0.01)  #生成一位基底
q1, q2 = np.meshgrid(q1, q2)    #混合成二維數組，形成二維基底

pCDa = (1-q1)
pCDb = (np.sqrt((1-q1)**2+q1**2)-q1)
s_pCD = -q1* np.log2(q1) - (1-q1) * np.log2(1-q1)
Q_MID1 = s_pCD *q2 /q2        #AB或CD的關聯值，下圖是(s_x_pCD - s_pCD) *q2；  *q2/q2后才是圓柱體

fig = plt.figure()
ax = Axes3D(fig)
ax.plot_surface(q1,q2,Q_MID1)     #表面圖
ax.set_xlabel('value of q2')
ax.set_ylabel('value of q1')
ax.set_zlabel('the value of Q_MID1(pCD)')
plt.show()

#參數
ax.plot_surface(X, Y, Z, *args, **kwargs)
X,Y,Z：數據
rstride、cstride、rcount、ccount:同Wireframe plots定義
color:表面顏色
cmap:圖層

參考文獻：

1. https://www.kesci.com/home/project/5de9f0a0953ca8002c95d2a9 50題matplotlib從入門到精通

2. https://www.cnblogs.com/knightoffz/p/12933716.html 大創項目經歷

3. https://matplotlib.org/mpl_toolkits/mplot3d/tutorial.html 官方文檔

4. https://www.cnblogs.com/xingshansi/p/6777945.html 參考博客

本站聲明:網站內容來源於博客園,如有侵權,請聯繫我們,我們將及時處理

【其他文章推薦】

※網頁設計一頭霧水該從何著手呢? 台北網頁設計公司幫您輕鬆架站!

※網頁設計公司推薦不同的風格，搶佔消費者視覺第一線

※Google地圖已可更新顯示潭子電動車充電站設置地點!!

※廣告預算用在刀口上，台北網頁設計公司幫您達到更多曝光效益

※別再煩惱如何寫文案,掌握八大原則!

※網頁設計最專業,超強功能平台可客製化