图论的应用图论的应用：路线规划，网络路由路线，机器学习的基础图的组成概念：图是由顶点与边组成的集合 顶点 Vertex 边 Edge 权值 weight：一条边上的值图的分类 无向图（undirected graph） 有向图（directed graph）无权图 带权图概念 两点相邻：两个顶点直接有一条边相连 点的邻边：与点相邻的边 路径：从一个点到达另外一个点，路上经过的边，称之为路径 环：一
网站首页权重降低by Ayo Isaiah 通过Ayo Isaiah (How Image Optimization Decreased my Website’s Page Weight by 62%)Images are one of the most fundamental types of content that is served on the web. They say an imag
转载
2024-07-04 21:19:15
25阅读
**1.重绘** 重绘是一个元素外观的改变所触发的浏览器行为。例如改变outline、背景色等属性，浏览器会根据元素的新属性重新绘制，使元素呈现新的外观，重绘不会带来重新布局，所以不一定伴随重排。 需要注意的是：重绘是以图层为单位，如果图层中某个元素需要重绘，那么整个图层都需要重绘，例如一个图层包含很多节点，其中有个gif图，gif图的每一帧都会重绘整个图层的其他节点，最后生成最终的图层位图。所以
在用Excel统计成绩时，我们一般会根据成绩高低进行排序，然后按序列自动填充出名次。这种方法得出的名次与总分没有关联，即使成绩相同，也会填充出不同的名次
如果数据较少，我们可以采用手动的方法将成绩相同的人员改成相同的名次，但数据较多时就很麻烦了。经过实践，以下三种方法可以自动实现同分同名次的操作。假设有1000名考生，字段位置如上图所示。一、使用排位函数RANK
在H2单元格中输入函数“=RANK
TF-IDF（Term Frequency–Inverse Document Frequency）是一种用于资讯检索与文本挖掘的常用加权技术。TF-IDF是一种统计方法，用以评估一字词对于一个文件集或一个语料库中的其中一份 文件的重要程度。字词的重要性随着它在文件中出现的次数成正比增加，但同时会随着它在语料库中出现的频率成反比下降。TF-IDF加权的各种形式常被搜索 引擎应用，作为文件与用户查询之
转载
2024-03-25 08:25:46
79阅读
参考教程资料https://networkx.github.io/documentation/stable/tutorial.htmlhttp://blog.sciencenet.cn/home.php?mod=space&uid=404069&do=blog&id=337442笔记有向图和无向图都可以给边赋予权重，用到的方法是add_weighted_edges_from
用图论的知识去理解一副图像。把一张图像看成是一个无向图，每个像素点看成是图的节点，相邻像素间看成有一条无形的边连接，每条边有自己的权重w。权重描述的是两个像素间的差异程度，权重越大，两像素差异越大。可以有多种方式定义权重，如颜色，灰度，位置等，论文中使用的是灰度差绝对值：一开始，把每个点作为一个分割块，然后遍历图中的所有条边，按权重从小到大遍历，把权重相对小的边（下面解释）对应
BM25算法是一种常见用来做相关度打分的公式，思路比较简单，主要就是计算一个query里面所有词和文档的相关度，然后在把分数做累加操作,而每个词的相关度分数主要还是受到tf/idf的影响。公式如下：R(qi,d)是每个词和文档的相关度值，其中qi代表每个词，d代表相关的文档，Wi是这个词的权重，然后所有词的乘积再做累加。 Wi可由外部设置，默认的话是idf值，公式如下，N是文档总数，n(
# Python打印权重图
在使用Python进行数据分析和可视化时，我们经常会遇到需要绘制权重图的情况。权重图是一种可视化工具，用于显示不同数据点之间的权重关系。在本文中，我们将介绍如何使用Python编程语言来绘制权重图，并提供相关的代码示例。
## 什么是权重图？
权重图是一种用于表示数据点之间权重关系的图形。它由节点（或数据点）和连接线组成，节点表示数据点，连接线表示节点之间的权重。
原创
2023-07-18 14:23:43
194阅读
模板相似度，比如我们想仿造一个网站，标签内容什么都一样的，但是名字不同，产品不同，如下所示： 别人出售的是切割机，我们用来出售拖拉机，而且所有使用的标签都一样，就是名词不同，这种方式就称之为：“模板一致”，这样是不利于网站优化的~~！ 如果想要仿不是不可以，不过需要做一些改动，不能全部一样，除非域名很厉害，否则不要这样玩了，因为搜索引擎会判断为抄袭别人的网站，虽然产
前言移植了各种caffe，是时候进行下一步操作了，先拿可视化下手吧。大部分内容可能跟网上的方法不一样环境：微软caffe+wind7+matlab2013a参考：http://caffe.berkeleyvision.org/tutorial/interfaces.html http://nbviewer
转载
2024-05-08 09:54:18
131阅读
WLAN设备发射功率WLAN设备发射功率区域国家最大发射功率（dbm）中国20欧洲20北美30日本22dbm = 10log(value/1mW) value是以mW(毫瓦)为单位的功率值。db = 10 lg value1/value2 db是一个相对值（value1=2value2，则10 lg2 = 3db）。dbm是一个功率的单位值，db是两个功率的比较所得的相对值。在WLAN通信系统中，
1.安装安装networkx之前要安装画图工具matplotlib，以及矩阵运算工具numpy,于是我们执行：
pip install numpy
pip install matplotlib
pip install networkx2.使用networkx的英文版说明可以在其官方网站上下载得到，写的简单易懂。http://networkx.github.io/documentation/late
转载
2024-10-17 23:38:50
71阅读
# 如何实现特征权重图（Feature Importance Plot）在R语言中
如果你是一名刚入行的小白，想要实现特征权重图（Feature Importance Plot），本篇文章将带你一步步完成这个任务。通过以下流程表格，我们将概述实现特征权重图的基本步骤：
| 步骤 | 说明 |
| ---- | ---- |
| 1 | 数据准备 |
| 2 | 模型训练 |
| 3
原创
2024-09-28 04:32:15
252阅读
说明：我把节点的度放到了第一节（因为它补充的知识太多了，有些啰嗦）1…可以研究的属性①节点和边import networkx as nx
G = nx.graph_atlas(100)
nx.draw(G, with_labels=True)
print('图中所有的节点', G.nodes()) #图中所有的节点 [0, 1, 2, 3, 4, 5]
print('图中节点的个数', G.num
转载
2024-07-09 14:15:05
265阅读
networkx学习与使用——（5）节点和边的属性:聚集系数和邻里重叠度节点和边的属性:割点、割边、聚集系数和邻里重叠度节点的凝聚力表现：聚集系数例子生成实际计算边的联系强度属性：邻里重叠度例子生成实际计算完整代码资源参考 节点和边的属性:割点、割边、聚集系数和邻里重叠度在networkx学习与使用——（2）度、邻居和搜索算法中，我们知道一个节点可以有度和邻居等直接的属性，一个度大的节点看上去比
转载
2024-06-12 21:57:24
291阅读
图论总结G=(V,E)，V代表图中节点的合集，E代表图中边或是关系的合集。稠密图：图中E的条数接近V*V也就是，接近任意两点之间相连。 稀疏图：图中E的条数远小于V*V。图的数据结构图常用的有两种表示方式，邻接链表和邻接矩阵。 邻接矩阵和邻接链表都中存储的信息都只是点与点的关系。并不表示点的信息，如果要表示点的信息，需要一个额外的容器，存储。 比如，i节点代表某个村庄，该村庄有村名，村民数等信息，
转载
2024-03-25 20:18:47
112阅读
因为开学实验室事情挺多，已经好久没有上线更新，最近老师让看的论文Jianbo Shi and Jitendra Malik的《Normalized Cuts and Image Segmentation》,记录一下自己的理解。一、解决问题作者提出Normalized cut(归一化分割) 改善了Min-cut(最小割)倾向于分割图像中孤立结点的问题。以下图说明：对上图理想的分割情况是以中间的竖直虚
转载
2024-04-02 10:29:13
178阅读
目录1 简介2 技术流程3 数据4 代码4.1 代码：极差标准化4.2 代码：熵权法赋权5 实验操作与流程6 关于数据获取 1 简介师弟又催我给他公众号写文了，这次还点名要这个题目……所以我就先到自己的博客里写写练练手…… （下面是正式的简介）根据信息熵的定义，对于某项指标，可以用熵值来判断某个指标的离散程度，其信息熵值越小，指标的离散程度越大， 该指标对综合评价的影响（即权重）就越大，如果某项
转载
2023-10-03 12:17:30
95阅读
狄克斯特拉算法(Dijkstra’s algorithm)狄克斯特拉算法用于每条边都有关联数字的图，这些数字称为权重（weight）。带权重的图称为加权图（weighted graph），不带权重的图称为非加权图（unweighted graph）。要计算非加权图中的最短路径，可使用广度优先搜索。要计算加权图中的最短路径，可使用狄克斯特拉算法。狄克斯特拉算法包含4个步骤：找出最便宜的节点，即可在最
转载
2024-05-12 17:42:09
264阅读
