阳性水草与阴性水草的区分

阴性草 弱光无须CO2
水晶MOSS、火焰莫丝/圣诞莫丝、三角MOSS,珊瑚MOSS、迷你小三角MOSS、松茸莫丝/松茸莫斯、翡翠MOSS
咖啡榕/皱边水榕、奥利榕/椒榕、黄金榕、黄金小榕、金钱榕、金钱小榕、燕尾榕、大水榕、三箭榕、小水榕、小榕、迷你榕/迷你小水榕、水榕、大叶巴榕、中榕、大芭榕/大榕
绿温帝椒草、迷你椒草、咖啡椒、皱叶椒、缎带椒、椒草、汤勺椒草/舌头椒草、大皱叶椒草/气泡椒
细叶铁皇冠、鹿角铁皇冠、铁皇冠、青蛋皇冠/青蛋头
、螺旋皇冠、乌拉圭皇冠、针叶皇冠、三色皇冠/东方美人、狐尾皇冠、火玫瑰皇冠/红蛋皇冠
水罗兰、细叶水罗兰、小水兰、龙舌兰、空古兰、迷你水兰
鹿角苔、大凤尾苔、美国小凤尾苔/美凤、凤尾蕨、大鹿角苔
红三角、蜈蚣草/水蘊草、新加坡中柳、黄金柳、叉柱花、细叶龙鞭/皱叶小喷泉、藻球、绿鸡蛋、绿菊花、大宝塔、大卷浪、香菇草、南美小对叶、苹果草、黄金钱、进口南美草皮、矮珍珠、巴西利、大红叶、叶底红、罗贝力、大柳、大皱叶浪草、小海帆、南极杉、小波浪、巴西绿喷点睡莲、小青叶、翡翠株株苔、南美玉竹、黑木蕨、巴拿马香蕉、越南百叶、小竹叶、翡翠珍珠苔、金鱼藻、大叶萍(自己养的,都分出小的来了,水面上一片生机勃勃)
中性草 中光适当CO2
香蕉草、马达加斯加大叶网草、小竹叶、日本珍珠、喷泉太阳、小竹节
迷你皇冠、矮柳、日本青荷根、雪花草、小圆叶、绿金钱、槐叶萍、印度小宝塔、大卷浪、大宝塔、乌拉圭中后景草、绿菊花
虎耳、马达加斯加虾柳、
阳性草 强光必须CO2
绿宫廷(有兄弟反应可以不需要CO2可照样存活)、七星牛顿/宫廷草
澳洲吐血谷精、日本朝日古精、日本雾岛谷精、小谷精、新加坡谷精
矮珍珠、迷你矮珍珠、鹿角矮珍珠
红蝴蝶、豹纹红蝴蝶、中箦草、红唇丁香、百叶、挖耳草(这个颜色的草有兄弟反应,自己种的时候也没有CO2,照样可以长的好)
新加坡宽叶太阳、普通太阳
迷你牛毛(对光照要求不高)、牛毛毡、鹿角苔
细叶水罗兰、红雨伞、绿松尾、夕烧、翡翠丁香、湖柳、天胡葵、小红梅、古巴叶底红
总结点水草颜色:
阳性草(红色)
豹纹红蝴蝶、尖叶红蝴蝶、迷你红蝴蝶、绿蝴蝶、红雨伞、丹麦血红宫廷、紫艳柳、印度黄玫瑰、日本红玫瑰、稻穗、红千层/红羽毛、五彩薄荷/紫薄荷、越南百叶、紫红圆叶、小红梅、牛顿、红唇丁香、夕烧、红太阳、红梅、一点红、卵叶水丁香(紫色)、彩虹圆叶(粉宫廷)、粉红宫廷、南美小百叶(茎干为红色)、
中性草(红色)
南美小圆叶、虎耳(顶叶有点点红色)、紫虎耳(紫色),粉红虎耳
阴性草(红色)
血红三角叶、迷你椒草、水上叶红蛋,红皇冠、古巴叶顶红、水上叶大红柳、日本紫蛋、龙骨、红水竹叶、豹纹蛋椒、金线椒(暴芽时候为红色,很嫩)、大红叶、喷泉花苞(紫色)、红柳、针叶皇冠、叶底红、新青叶

时间: 2024-08-27 20:28:03

阳性水草与阴性水草的区分的相关文章

《深入浅出数据分析》笔记

刚准备转行数据分析的时候看过一本书叫<深入浅出数据分析>,非常通俗易懂,是我数据分析的启蒙书籍~分享下当时的笔记,书里的案例经常会在我之后的工作中给我灵感.同系列有一本<深入浅出统计学>,也写的很棒,公式较多所以是做的纸质版的笔记,以后也会分享. Chapter 1 数据分析引言 分解数据 需求:如何提升销量 主要内容:数据分析的流程,统计模型与心智模型. 1.数据分析的流程: 确定:了解问题.客户将帮助你确定问题. 分解:分解问题和数据,让他成为更小的组成部分.找出高效的比较因子

监督学习 - 一个典型的工作流程

参考:https://blog.csdn.net/oucpowerman/article/details/50390239 现今,当在"数据科学"领域开始引入各种概念的时候,著名的"鸢尾花(Iris)"花数据集可能是最常用的一个例子.1936年,R.A.Fisher在他的判别分析中创建和使用了Iris数据集.Iris现在可以从UCI机器学习库中免费得到. 在一个监督分类任务中,它将会是一个很好的例子.Iris中的花被分为了三类:Setosa , Virginica

机器学习面试--算法评价指标

机器学习分为三个阶段: 第一阶段:学习模型.采用学习算法,通过对训练集进行归纳学习得到分类模型: 第二阶段:测试模型.将已经学习得到的分类模型用于测试集,对测试集中未知类别的实例进行分类. 第三阶段:性能评估.显然,通过测试集产生的分类未必是最佳的,这就导致对测试集的分类可能产生错误.而人们希望尽量得到信呢个最佳的分类模型,就是的对分类器性能评价至关重要.只有通过优秀的评价标准才能选择出性能更好的分类器. 不同机器学习算法的评价指标: 回归评估 回归是对连续的实数值进行预测,即输出值是连续的实数

识别验证码:寻找数字的位置(二)

有了数据,剩下的就是流水线上的活:利用某种机器学习算法学习得到模型,在用模型进行预测,评价模型的性能. 1 分割训练集和测试集 Python的机器学习包sklearn非常强大,它不仅包含了不论监督学习.非监督学习的算法,同时包括了进行常用预处理和其他流程的函数.分割训练集和测试集的函数虽然很简单,但也包含在sklearn包内. 通常情况下用X表示一定数目样本的特征数据,可以是Python的list类型,那么X是嵌套列表的列表,len(X)会是训练样本的数目,X[0]就是一个特征样本 通常用y表示

生态鱼缸

热带鱼怎么养养热带鱼的必需用装备(1)鱼缸:是热带鱼生长和活动的场所.饲养热带鱼的鱼缸必须选用规格稍大的长方形玻璃鱼缸.(2)吸水管:用于换水时吸出鱼缸底面的脏物,用软橡胶管和玻璃管连接而成.长度根据鱼缸的高度而定.一般取一米二到一米五.(3)温度计:用来测量和调节鱼缸的水温.(4)鱼网:用来捕捞和转移热带鱼.(5)玻璃灯桶:将灯泡放入玻璃灯桶内沉入鱼缸中起加温和照明作用.玻璃灯桶的口必须高出水面100MM,防止鱼跳入.(6)电热管:冬天用来增加鱼缸内的温度.(7)气泵:驱除鱼缸中的二氧化碳,增

ROC 曲线简要解释

阳性 (P, positive)阴性 (N, Negative)真阳性 (TP, true positive):正确的肯定.又称:命中 (hit)真阴性 (TN, true negative):正确的否定.又称:正确拒绝 (correct rejection)伪阳性 (FP, false positive):错误的肯定,又称:假警报 (false alarm),第一型错误伪阴性 (FN, false negative):错误的否定,又称:未命中 (miss),第二型错误真阳性率 (TPR, tr

数据分析实践:遇到的问题及感想

在使用机器学习算法进行分类预测的过程中,往往最困难的部分在于如何提高模型预测的准确率.有时候当我们辛辛苦苦准备了数据集,进行了繁琐的数据预处理,编码,提交到集群完成了模型训练之后,忽然发现预测的准确率低到让人无语,笔者曾经遇到过进行0,1分类,结果训练出来的模型准确率是51.8%,这和人工随机分类几乎没有差别,非常令人沮丧. 往往在这个时候,才是数据分析真正开始的时候,数据工程师才会真正回来审视数据的意义,斟酌数据处理的过程,探究数据结果的评价. 数据工程师未必真的懂数据的意义.我们在进行一个运

机器学习中的数据不平衡问题

最近碰到一个问题,其中的阳性数据比阴性数据少很多,这样的数据集在进行机器学习的时候会使得学习到的模型更偏向于预测结果为阴性.查找了相关的一些文献,了解了一些解决这个问题的一些方法和技术. 首先,数据集不平衡会造成怎样的问题呢.一般的学习器都有下面的两个假设:一个是使得学习器的准确率最高,另外一个是学习器应该用在与训练集有相同分布的 测试集上.如果数据不平衡,那么学习器使得它的准确率最高肯定是更偏向于预测结果为比例更大的类别.比如说阳性的比例为1%,阴性的比例为99%,很明显 的是即使不学习,直接

[zz] ROC曲线

wiki https://zh.wikipedia.org/wiki/ROC%E6%9B%B2%E7%BA%BF 在信号检测理论中,接收者操作特征曲线(receiver operating characteristic curve,或者叫ROC曲线)是一种座标图式的分析工具,用于 (1) 选择最佳的信号侦测模型.舍弃次佳的模型. (2) 在同一模型中设定最佳阈值. 在做决策时,ROC分析能不受成本/效益的影响,给出客观中立的建议. ROC曲线首先是由二战中的电子工程师和雷达工程师发明的,用来侦测