Octave Tutorial(《Machine Learning》)之第四课《绘图数据》

第四课 Plotting Data 绘图数据

t = [0,0.01,0.98];

y1 = sin(2*pi*4*t);

y2 = cos(2*pi*4*t);

plot(t,y1);(绘制图1)

hold on;(图1不消失)

plot(t,y2,‘r‘);(用红色绘制图2)

xlable(‘time‘)(横轴名称)

ylable(‘value‘)(纵轴名称)

legend(‘sin‘,‘cos‘)(标记两条函数曲线)

title(‘my plot‘)

print -dpng ‘myPlot.png‘ (保存图像)

cd ‘/home/flipped/Desktop‘ print -dpng ‘myPlot.png‘ (保存图像到桌面)

close(关闭图像)

为图像标号(桌面上显示两张图)

figure(1); plot(t,y1);

figure(2); plot(t,y2);

在一张图像上画出sin和cos曲线(左边为sin曲线,右边为cos曲线)

subplot(1,2,1);把图像分为1*2格子,使用第一个格子

plot(t,y1); 将图1画在第一个格子

subplot(1,2,2);把图像分为1*2格子,使用第二个格子

plot(t,y2); 将图2画在第二个格子

改变轴的刻度

axis([0.5 1 -1 1])(将图2的x轴刻度改为从0.5到1,y轴刻度改为从-1到1)

清除图像

clf;

A = magic(5) 5*5magic矩阵

imagesc(A) 绘制5*5彩色方格图,不同颜色对应矩阵中的不同值

imagesc(magic(15)),colorbar,colormap gray; 绘制15*15灰色分布图,右边加入一个颜色条(显示不同颜色对应的值)

时间: 2024-10-10 14:20:41

Octave Tutorial(《Machine Learning》)之第四课《绘图数据》的相关文章

機器學習基石(Machine Learning Foundations) 机器学习基石 作业四 课后习题解答

大家好,我是Mac Jiang,今天和大家分享coursera-NTU-機器學習基石(Machine Learning Foundations)-作业四的习题解答.笔者在做这些题目时遇到很多困难,当我在网上寻找答案时却找不到,而林老师又不提供答案,所以我就想把自己做题时对题目如何思考的写下来,为大家提供一些思路.当然,我对题目的理解不一定是正确的,如果各位博友发现错误请及时留言联系,谢谢!再次提醒:请不要以此博客作为通过考试的用途,还是更好学习.理解课程的途径!希望我的博客对您的学习有所帮助!

Machine Learning Techniques -0

开学前还有一段时间,正好差不多可以follow台大Hsuan-Tien Lin老师Machine Learning Techniques这门课: 不过只输入信息而不输出效率太低,所以建个博客记录一下.

Machine Learning - V. Octave Tutorial (Week 2)

机器学习Machine Learning - Andrew NG courses学习笔记 If you want to build a large scale deployment of a learning algorithm, what people will often do is prototype and the language is Octave.Which is a great prototyping language.So you can sort of get your le

Coursera machine learning 第二周 quiz 答案 Octave/Matlab Tutorial

https://www.coursera.org/learn/machine-learning/exam/dbM1J/octave-matlab-tutorial Octave Tutorial 5 试题 1. Suppose I first execute the following Octave commands: A = [1 2; 3 4; 5 6]; B = [1 2 3; 4 5 6]; Which of the following are then valid Octave com

機器學習基石(Machine Learning Foundations) 机器学习基石 作业四 Q13-20 MATLAB实现

大家好,我是Mac Jiang,今天和大家分享Coursera-NTU-機器學習基石(Machine Learning Foundations)-作业四 Q13-20的MATLAB实现.以前的代码都是通过C++实现的,但是发现C++实现这些代码太麻烦,这次作业还要频繁更改参数值,所以选择用MATLAB实现了.与C++相比,MATLAB实现显然轻松很多,在数据导入方面也更加方便.我的代码虽然能够得到正确答案,但是其中可能有某些思想或者细节是错误的,如果各位博友发现,请及时留言纠正,谢谢!再次声明,

吴恩达《深度学习》-课后测验-第三门课 结构化机器学习项目(Structuring Machine Learning Projects)-Week2 Autonomous driving (case study) (case study)( 自动驾驶 (案例研究))

Week2 Autonomous driving (case study) (case study)( 自动驾驶 (案例研究)) \1. To help you practice strategies for machine learning, in this week we'll present another scenario and ask how you would act. We think this "simulator" of working in a machine l

NTU-Coursera机器学习:机器学习基石 (Machine Learning Foundations)

课讲内容 这门课以8周设计,分成 4个核心问题,每个核心问题约需2周的时间来探讨.每个约2个小时的录影中,每个小时为一个主题,以会各分成4到5个小段落,每个段落里会有一个后多个随堂的练习.我们在探讨每个核心问题的第二周.依上所述,課程的規畫如下: When Can Machines Learn? [何时可以使用机器学习] 第一周:(NTU-Coursera机器学习:机器学习问题与二元分类) 第一讲:The Learning Problem [机器学习问题]第二讲:Learning to Answ

机器学习(Machine Learning)&深度学习(Deep Learning)资料

机器学习(Machine Learning)&深度学习(Deep Learning)资料 機器學習.深度學習方面不錯的資料,轉載. 原作:https://github.com/ty4z2008/Qix/blob/master/dl.md 原作作者會不斷更新.本文更新至2014-12-21 <Brief History of Machine Learning> 介绍:这是一篇介绍机器学习历史的文章,介绍非常全面.从感知机.神经网络.决策树.SVM.Adaboost到随机森林.Deep L

Neural Networks Learning----- Stanford Machine Learning(by Andrew NG)Course Notes

本栏目内容来自Andrew NG老师的公开课:https://class.coursera.org/ml/class/index 一般而言, 人工神经网络与经典计算方法相比并非优越, 只有当常规方法解决不了或效果不佳时人工神经网络方法才能显示出其优越性.尤其对问题的机理不甚了解或不能用数学模型表示的系统,如故障诊断.特征提取和预测等问题,人工神经网络往往是最有利的工具.另一方面, 人工神经网络对处理大量原始数据而不能用规则或公式描述的问题, 表现出极大的灵活性和自适应性. 神经网络模型解决问题的