plt.plot画廓线

时间: 2023-08-27 22:04:16 浏览: 65
在使用plt.plot函数时，可以通过设置参数来绘制曲线的轮廓线。其中，参数ls或linestyle用于设置线的形式，可以选择'-'、'--'、':'和'-.'等不同的线型。参数lw或linewidth用于设置线的宽度，参数c用于设置线的颜色。通过设置这些参数，可以绘制出具有不同轮廓线样式的曲线。例如，可以使用plt.plot(x, y, ls='-.', lw=2, c='black')来绘制一条具有虚线轮廓线、宽度为2、颜色为黑色的曲线。\[1\] #### 引用[.reference_title] - *1* *3* [Matplotlib——数据可视化plt.plot、plt.figure、](https://blog.csdn.net/weixin_43794311/article/details/105014101)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v91^control_2,239^v3^insert_chatgpt"}} ] [.reference_item] - *2* [r语言plot函数x轴y轴名字_Matplotlib入门-1-plt.plot( )绘制折线图](https://blog.csdn.net/weixin_39638304/article/details/110212914)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v91^control_2,239^v3^insert_chatgpt"}} ] [.reference_item] [ .reference_list ]

相关推荐

pdf

matplotlib 曲线图 和 折线图 plt.plot()实例

主要介绍了matplotlib 曲线图 和 折线图 plt.plot()实例，具有很好的参考价值，希望对大家有所帮助。一起跟随小编过来看看吧
pdf

Python matplotlib通过plt.scatter画空心圆标记出特定的点方法

今天小编就为大家分享一篇Python matplotlib通过plt.scatter画空心圆标记出特定的点方法，具有很好的参考价值，希望对大家有所帮助。一起跟随小编过来看看吧
pdf

Python使用plt.boxplot() 参数绘制箱线图

plt.boxplot() 参数详解 plt.pie(x, # 指定要绘制箱线图的数据； notch=None, # 是否是凹口的形式展现箱线图，默认非凹口； sym=None, # 指定异常点的形状，默认为+号显示； vert=None, # 是否需要将箱线图垂直...

import numpy as np from sklearn.cluster import KMeans import collections from sklearn import metrics import matplotlib.pyplot as plt plt.rcParams['font.family'] = 'SimHei' # 正常显示中文 # 参数寻优 inertia = [] silhouettteScore = [] # 计算聚类数目为2至9时的轮廓系数值和簇内误差平方和 for i in range(2, 10): km = KMeans(n_clusters=i, random_state=12).fit(ScoreModel) y_pred = km.predict(ScoreModel) center_ = km.cluster_centers_ score = metrics.silhouette_score(ScoreModel, km.labels_) silhouettteScore.append([i, score]) inertia.append([i, km.inertia_]) # 绘制轮廓系数图 silhouettteScore = np.array(silhouettteScore) plt.plot(silhouettteScore[: , 0], silhouettteScore[: , 1]) plt.title('轮廓系数值 - 聚类数目') plt.show() #绘制簇内误差平方和图 inertia = np.array(inertia) plt.plot(inertia[: , 0], inertia[: , 1]) plt.title('簇内误差平方和 - 聚类数目') plt.show()

这段代码使用了 Python 中的 sklearn 库中的 KMeans 算法，对 ScoreModel 进行聚类...最后，使用 matplotlib 库绘制了轮廓系数值与聚类数目、簇内误差平方和与聚类数目之间的关系图，并调用 plt.show() 函数显示图表。

import numpy as np from sklearn.cluster import MiniBatchKMeans from sklearn.datasets import load_iris from sklearn import preprocessing import matplotlib.pyplot as plt from pylab import mpl from sklearn.cluster import KMeans from sklearn.metrics import silhouette_score from scipy.spatial.distance import cdist # 设置显示中文字体 mpl.rcParams["font.sans-serif"] = ["SimHei"] # 设置正常显示符号 mpl.rcParams["axes.unicode_minus"] = False np.random.seed(5) iris = load_iris() X = iris.data y = iris.target min_max_scaler = preprocessing.MinMaxScaler() X_minmax = min_max_scaler.fit_transform(X) batch_size = 15 num_cluster = 3 clf = MiniBatchKMeans(n_clusters=num_cluster, batch_size=batch_size, init='random') clf.fit(X_minmax) centers = clf.cluster_centers_ pre_clu = clf.labels_ vmarker = {0: '^', 1: 's', 2: 'D', } mValue = [vmarker[i] for i in pre_clu] for _marker, _x, _y in zip(mValue, X_minmax[:, 1], X_minmax[:, 2]): plt.scatter(_x, _y, marker=_marker,c='grey') plt.scatter(centers[:, 1], centers[:, 2], marker='*',s=200,c='black') plt.show() #手肘法则最佳k值 def sse_k(): K = range(1, 10) sse_result = [] for k in K: kmeans = KMeans(n_clusters=k) kmeans.fit(iris.data) sse_result.append(sum(np.min(cdist(iris.data, kmeans.cluster_centers_, 'euclidean'), axis=1)) / iris.data.shape[0]) plt.plot(K, sse_result, 'gx-') plt.xlabel('k') plt.ylabel(u'平均畸变程度') plt.title(u'肘部法则确定最佳的K值') plt.show() # 轮廓系统法最佳k值 def sc_k(): K = range(2, 10) score = [] for k in K: kmeans = KMeans(n_clusters=k) kmeans.fit(iris.data) score.append(silhouette_score(iris.data, kmeans.labels_, metric='euclidean')) plt.plot(K, score, 'r*-') plt.xlabel('k') plt.ylabel(u'轮廓系数') plt.title(u'轮廓系数确定最佳的K值') plt.show() sse_k() sc_k()

这段代码实现了对 iris 数据集进行聚类分析的功能。具体来说，它使用了 MiniBatchKMeans 算法对 iris 数据进行聚类，并使用了肘部法则和轮廓系数法来确定最佳的聚类数量 k。 首先，代码将 iris 数据集导入，然后...

python画出温度廓线

可以使用Python的Matplotlib库来画出温度廓线。以下是一个简单的示例代码： python import matplotlib.pyplot as plt import numpy as np # 温度数据 temp = np.array([-40, -30, -20, -10, 0, 10, 20, 30, 40]...

对下面代码进行结果分析import numpy as np from sklearn.cluster import MiniBatchKMeans from sklearn.datasets import load_iris from sklearn import preprocessing import matplotlib.pyplot as plt np.random.seed(5) from sklearn.cluster import KMeans from sklearn.metrics import silhouette_score from pylab import mpl # 设置显示中文字体 mpl.rcParams["font.sans-serif"] = ["SimHei"] # 设置正常显示符号 mpl.rcParams["axes.unicode_minus"] = False # 加载鸢尾花数据集 iris = load_iris() X = iris.data y = iris.target #最小最大标准化 min_max_scaler = preprocessing.MinMaxScaler() X_minmax=min_max_scaler.fit_transform(X) batch_size =15 num_cluster =3 #K均值算法拟合 clf=MiniBatchKMeans(n_clusters=num_cluster,batch_size=batch_size,init="random") clf.fit(X_minmax) #拟合中心 centers = clf.cluster_centers_ #预测标签 pre_clu=clf.labels_ print(pre_clu) vmarker={0:'^',1:'s',2:'D',} mValue=[vmarker[i] for i in pre_clu] for _marker, _x, _y in zip(mValue, X_minmax[:,1],X_minmax[:,2]): plt.scatter(_x, _y,marker=_marker,c="grey") plt.scatter(centers[:,1],centers[:,2],marker="*",s=200,c='black') plt.show() # 轮廓系统法最佳k值 def sc_k(): K = range(2, 10) score = [] for k in K: kmeans = KMeans(n_clusters=k) kmeans.fit(iris.data) score.append(silhouette_score(iris.data, kmeans.labels_, metric='euclidean')) plt.plot(K, score, 'r*-') plt.xlabel('k') plt.ylabel(u'轮廓系数') plt.title(u'轮廓系数确定最佳的K值') plt.show() sc_k()

这段代码使用MiniBatchKMeans算法对鸢尾花数据集进行了聚类，并展示了聚类结果和最佳的K值。 具体分析如下： 1. 数据预处理：使用MinMaxScaler对数据进行了最小最大标准化处理，将所有特征缩放到0到1之间。...

根据直方图，绘制轮廓曲线

其中，(bins[:-1]+bins[1:])/2计算了每个组的中心位置，n是每个组的频率，plt.plot函数用于绘制轮廓曲线。 完整的代码示例如下： python import matplotlib.pyplot as plt import numpy as np data = np...

翻译这段程序并自行赋值调用：import matplotlib.pyplot as plt import numpy as np import sklearn import sklearn.datasets import sklearn.linear_model def plot_decision_boundary(model, X, y): # Set min and max values and give it some padding x_min, x_max = X[0, :].min() - 1, X[0, :].max() + 1 y_min, y_max = X[1, :].min() - 1, X[1, :].max() + 1 h = 0.01 # Generate a grid of points with distance h between them xx, yy = np.meshgrid(np.arange(x_min, x_max, h), np.arange(y_min, y_max, h)) # Predict the function value for the whole grid Z = model(np.c_[xx.ravel(), yy.ravel()]) Z = Z.reshape(xx.shape) # Plot the contour and training examples plt.contourf(xx, yy, Z, cmap=plt.cm.Spectral) plt.ylabel('x2') plt.xlabel('x1') plt.scatter(X[0, :], X[1, :], c=y, cmap=plt.cm.Spectral) def sigmoid(x): s = 1/(1+np.exp(-x)) return s def load_planar_dataset(): np.random.seed(1) m = 400 # number of examples N = int(m/2) # number of points per class print(np.random.randn(N)) D = 2 # dimensionality X = np.zeros((m,D)) # data matrix where each row is a single example Y = np.zeros((m,1), dtype='uint8') # labels vector (0 for red, 1 for blue) a = 4 # maximum ray of the flower for j in range(2): ix = range(Nj,N(j+1)) t = np.linspace(j3.12,(j+1)3.12,N) + np.random.randn(N)0.2 # theta r = anp.sin(4t) + np.random.randn(N)0.2 # radius X[ix] = np.c_[rnp.sin(t), rnp.cos(t)] Y[ix] = j X = X.T Y = Y.T return X, Y def load_extra_datasets(): N = 200 noisy_circles = sklearn.datasets.make_circles(n_samples=N, factor=.5, noise=.3) noisy_moons = sklearn.datasets.make_moons(n_samples=N, noise=.2) blobs = sklearn.datasets.make_blobs(n_samples=N, random_state=5, n_features=2, centers=6) gaussian_quantiles = sklearn.datasets.make_gaussian_quantiles(mean=None, cov=0.5, n_samples=N, n_features=2, n_classes=2, shuffle=True, random_state=None) no_structure = np.random.rand(N, 2), np.random.rand(N, 2) return noisy_circles, noisy_moons, blobs, gaussian_quantiles, no_structure

plt.scatter(X[0, :], X[1, :], c=y, cmap=plt.cm.Spectral) def sigmoid(x): s = 1 / (1 + np.exp(-x)) return s def load_planar_dataset(): np.random.seed(1) m = 400 # 样本数量 N = int(m / 2) # 每个...

opencv跟着matplotlib导入的视频画动态线

在主程序中，我们使用 plt.plot 函数创建一个初始线，并设置图像范围。然后，我们使用 FuncAnimation 函数创建一个动画，并将 update_line 函数作为回调函数。我们在每个时间步骤中更新线的位置，并使用 blit...

for jj in range(0,numberOfPoints): ii = jj*3 conData[jj,0] = rfContent.ContourData[ii+0] conData[jj,1] = rfContent.ContourData[ii+1] conData[jj,2] = rfContent.ContourData[ii+2] pointData[jj,0] = round( (conData[jj,0] - dcmOrigin[0])/dcmSpacing[0] ) pointData[jj,1] = round( (conData[jj,1] - dcmOrigin[1])/dcmSpacing[1] ) pointData[jj,2] = dcmSOPs.index(dcmUID) if (isPlot==True) and (k<6): plt.subplot(1,6,k+1) plt.plot(conData[:,0],conData[:,1],'b.') plt.title('time={} z={}'.format(time,conData[0,2])) minX = np.min(pointData[:,0]) maxX = np.max(pointData[:,0]) minY = np.min(pointData[:,1]) maxY = np.max(pointData[:,1]) if minXY>minX: minXY = minX elif minXY>minY: minXY = minY elif maxXY<maxX: maxXY = maxX elif maxXY<maxY: maxXY = maxY if k==0: writeToFile(np.hstack((conData,pointData)).T,path+'\\GTV_indexs.txt','w') print("path of GTV_indexes.txt",path) else: writeToFile(np.hstack((conData,pointData)).T,path+'\\GTV_indexs.txt','a') cuts = np.array(cuts) return minXY,maxXY,cuts

这段代码是用来解析轮廓的顶点数据，将其转换为像素坐标并绘制轮廓。具体来说，它通过循环遍历每个顶点，然后从顶点数据中获取其X、Y和Z坐标并将其转换为像素坐标。接下来，代码将像素坐标存储在pointData数组中，并...

python画奥特曼

plt.plot(x, y1, label='奥特曼', color='r') plt.plot(x, y2, label='怪兽', color='b') plt.xlabel('X轴') plt.ylabel('Y轴') plt.title('奥特曼 vs 怪兽') plt.legend() plt.show() 这段代码会绘制一个...

解释这段代码def render(self, mode='human'): self.ax.clear() # 绘制线路 for i in range(len(self.obstacle_pos)): self.ax.fill(self.obstacle_pos[i][0], self.obstacle_pos[i][1], color=self.color) # 智能体位置更新 for index, agent in enumerate(self.agents): rotated_plane_data = ndimage.rotate(agent.plane, 0, reshape=True) self.ax.imshow(rotated_plane_data, extent=[agent.position[0] - self.agent_size, agent.position[0] + self.agent_size, agent.position[1] - self.agent_size, agent.position[1]+self.agent_size]) for corner in self.corner_position: # 画面固定 self.ax.scatter(corner[0], corner[1], marker='o', color='white') # 轨迹更新 # for path in self.paths: # x, y = zip(*path) # self.ax.plot(x, y, 'b--') self.fig.canvas.draw() plt.pause(0.01)

这段代码是一个强化学习环境中的渲染函数，用于将当前状态可视化，其中mode是渲染模式，可以是'human'或其他字符串。 该函数的具体实现包括以下几个步骤： 1. 清除绘图区域； 2. 绘制障碍物的轮廓；...

用python画重庆财经学院

plt.plot([0, 0, 1.5, 1.5, 3, 3, 4.5, 4.5, 6, 6, 4.5, 4.5, 3, 3, 1.5, 1.5, 0], [0, 3, 3, 4.5, 4.5, 3, 3, 0, 0, 1.5, 1.5, 2.25, 2.25, 1.5, 1.5, 0, 0], color='red') # 绘制重庆财经学院的字母标识 plt....

img = cv2.imread('gaussian.bmp', cv2.IMREAD_GRAYSCALE) # 提取骨架线 skeleton = cv2.ximgproc.thinning(img) # 获取骨架线路径 contours, hierarchy = cv2.findContours(skeleton, cv2.RETR_TREE, cv2.CHAIN_APPROX_SIMPLE) cnt = contours[0] # 确定骨架线的宽度 width = 2 # 将骨架线离散化为一系列点 skeleton_points = [] for i in range(len(cnt) - 1): p1 = cnt[i][0] p2 = cnt[i + 1][0] rr, cc = line_nd(p1, p2) for j in range(len(rr)): skeleton_points.append([rr[j], cc[j], width]) skeleton_points = np.array(skeleton_points) # 使用Marching Cubes算法进行三维重建 verts, faces, _, _ = measure.marching_cubes(skeleton_points, 0.1) # 绘制三维模型 fig = plt.figure(figsize=(10, 10)) ax = fig.add_subplot(111, projection='3d') ax.plot_trisurf(verts[:, 0], verts[:, 1], faces, verts[:, 2], cmap='jet')

然后，使用OpenCV的thinning函数提取骨架线。接下来，使用findContours函数获取骨架线的轮廓。通过对骨架线进行离散化，得到一系列三维点。最后，使用marching_cubes函数对这些点进行三维重建，得到三维模型。...

用python画出气球

plt.plot(x, y, color='red') # 用红色线段绘制出气球的轮廓 plt.axhline(0, color='green') # 用绿色横线表示地面 plt.axis('equal') # 保证横纵比相等，使得气球是圆形的 plt.title('Python画气球') # 设置标题 ...

用python画一个黑猫警长

plt.plot([0,1,1,2,2,3,3,2,2,3,3,2,2,1,1,0,0],[0,0,1,1,0,0,1,1,2,2,3,3,2,2,3,3,2],'k') # 绘制黄色腰带 plt.fill_between([1,2],1,2,color='yellow') # 绘制红色领带 plt.fill_between([1.5,2.5],2,3,color='...

求肘部法则和轮廓系数法的详细python代码

plt.plot(K, mean_distortions, 'bx-') plt.xlabel('k') plt.ylabel('Average distortion') plt.title('Selecting k with the Elbow Method') plt.show() 轮廓系数法代码： python from sklearn.cluster ...

帮我用python画一个蔡徐坤

plt.plot(x, y) # 设置坐标轴范围 plt.xlim(0, 11) plt.ylim(0, 7) # 添加标题和标签 plt.title("Cai Xukun") plt.xlabel("x") plt.ylabel("y") # 显示图形 plt.show() 运行这段代码后，你将看到一个简单的...

最新推荐

recommend-type

zigbee-cluster-library-specification

最新的zigbee-cluster-library-specification说明文档。
recommend-type

管理建模和仿真的文件

管理Boualem Benatallah引用此版本：布阿利姆·贝纳塔拉。管理建模和仿真。约瑟夫-傅立叶大学-格勒诺布尔第一大学，1996年。法语。NNT：电话：00345357HAL ID：电话：00345357https://theses.hal.science/tel-003453572008年12月9日提交HAL是一个多学科的开放存取档案馆，用于存放和传播科学研究论文，无论它们是否被公开。论文可以来自法国或国外的教学和研究机构，也可以来自公共或私人研究中心。L’archive ouverte pluridisciplinaire
recommend-type

确保MATLAB回归分析模型的可靠性：诊断与评估的全面指南

![确保MATLAB回归分析模型的可靠性：诊断与评估的全面指南](https://img-blog.csdnimg.cn/img_convert/4b823f2c5b14c1129df0b0031a02ba9b.png) # 1. 回归分析模型的基础** **1.1 回归分析的基本原理** 回归分析是一种统计建模技术，用于确定一个或多个自变量与一个因变量之间的关系。其基本原理是拟合一条曲线或超平面，以最小化因变量与自变量之间的误差平方和。 **1.2 线性回归和非线性回归** 线性回归是一种回归分析模型，其中因变量与自变量之间的关系是线性的。非线性回归模型则用于拟合因变量与自变量之间非
recommend-type

引发C++软件异常的常见原因

1. 内存错误：内存溢出、野指针、内存泄漏等； 2. 数组越界：程序访问了超出数组边界的元素； 3. 逻辑错误：程序设计错误或算法错误； 4. 文件读写错误：文件不存在或无法打开、读写权限不足等； 5. 系统调用错误：系统调用返回异常或调用参数错误； 6. 硬件故障：例如硬盘损坏、内存损坏等； 7. 网络异常：网络连接中断、网络传输中断、网络超时等； 8. 程序异常终止：例如由于未知原因导致程序崩溃等。
recommend-type

JSBSim Reference Manual

JSBSim参考手册，其中包含JSBSim简介，JSBSim配置文件xml的编写语法，编程手册以及一些应用实例等。其中有部分内容还没有写完，估计有生之年很难看到完整版了，但是内容还是很有参考价值的。
recommend-type

"互动学习：行动中的多样性与论文攻读经历"

多样性她- 事实上SCI NCES你的时间表ECOLEDO C Tora SC和NCESPOUR l’Ingén学习互动，互动学习以行动为中心的强化学习学会互动，互动学习，以行动为中心的强化学习计算机科学博士论文于2021年9月28日在Villeneuve d'Asq公开支持马修·瑟林评审团主席法布里斯·勒菲弗尔阿维尼翁大学教授论文指导奥利维尔·皮耶昆谷歌研究教授：智囊团论文联合主任菲利普·普雷教授，大学。里尔/CRISTAL/因里亚报告员奥利维耶·西格德索邦大学报告员卢多维奇·德诺耶教授，Facebook /索邦大学审查员越南圣迈IMT Atlantic高级讲师邀请弗洛里安·斯特鲁布博士，Deepmind对于那些及时看到自己错误的人...3谢谢你首先，我要感谢我的两位博士生导师Olivier和Philippe。奥利维尔，"站在巨人的肩膀上"这句话对你来说完全有意义了。从科学上讲，你知道在这篇论文的（许多）错误中，你是我可以依
recommend-type

打造高性能MATLAB回归分析模型：特征工程的艺术

![matlab回归分析](http://blog.fens.me/wp-content/uploads/2016/07/m01.png) # 1. 回归分析模型概述 回归分析是一种预测建模技术，用于建立自变量和因变量之间的关系。在回归模型中，因变量是我们要预测的目标变量，而自变量是影响因变量的输入变量。 回归分析模型的目的是找到一个数学方程，该方程可以准确地预测因变量的值，给定自变量的值。该方程通常表示为： ``` y = b0 + b1x1 + b2x2 + ... + bnxn ``` 其中： * y 是因变量 * x1、x2、...、xn 是自变量 * b0、b1、...、b
recommend-type

爬取虎牙直播的英雄联盟板块热度并可视化显示

抱歉，作为AI语言模型，我无法执行网络爬虫操作。但我可以提供一个大体的思路： 1. 使用Python的requests库向虎牙直播英雄联盟板块的页面发送请求，获取页面内容。 2. 使用BeautifulSoup库解析页面内容，提取出热度相关的信息。 3. 使用matplotlib等可视化库将热度数据进行可视化展示。 需要注意的是，网站的爬取需要遵守相关法律法规和网站的使用协议，否则可能会引起法律问题。
recommend-type

c++校园超市商品信息管理系统课程设计说明书(含源代码) (2).pdf

校园超市商品信息管理系统课程设计旨在帮助学生深入理解程序设计的基础知识，同时锻炼他们的实际操作能力。通过设计和实现一个校园超市商品信息管理系统，学生掌握了如何利用计算机科学与技术知识解决实际问题的能力。在课程设计过程中，学生需要对超市商品和销售员的关系进行有效管理，使系统功能更全面、实用，从而提高用户体验和便利性。 学生在课程设计过程中展现了积极的学习态度和纪律，没有缺勤情况，演示过程流畅且作品具有很强的使用价值。设计报告完整详细，展现了对问题的深入思考和解决能力。在答辩环节中，学生能够自信地回答问题，展示出扎实的专业知识和逻辑思维能力。教师对学生的表现予以肯定，认为学生在课程设计中表现出色，值得称赞。 整个课程设计过程包括平时成绩、报告成绩和演示与答辩成绩三个部分，其中平时表现占比20%，报告成绩占比40%，演示与答辩成绩占比40%。通过这三个部分的综合评定，最终为学生总成绩提供参考。总评分以百分制计算，全面评估学生在课程设计中的各项表现，最终为学生提供综合评价和反馈意见。 通过校园超市商品信息管理系统课程设计，学生不仅提升了对程序设计基础知识的理解与应用能力，同时也增强了团队协作和沟通能力。这一过程旨在培养学生综合运用技术解决问题的能力，为其未来的专业发展打下坚实基础。学生在进行校园超市商品信息管理系统课程设计过程中，不仅获得了理论知识的提升，同时也锻炼了实践能力和创新思维，为其未来的职业发展奠定了坚实基础。 校园超市商品信息管理系统课程设计的目的在于促进学生对程序设计基础知识的深入理解与掌握，同时培养学生解决实际问题的能力。通过对系统功能和用户需求的全面考量，学生设计了一个实用、高效的校园超市商品信息管理系统，为用户提供了更便捷、更高效的管理和使用体验。 综上所述，校园超市商品信息管理系统课程设计是一项旨在提升学生综合能力和实践技能的重要教学活动。通过此次设计，学生不仅深化了对程序设计基础知识的理解，还培养了解决实际问题的能力和团队合作精神。这一过程将为学生未来的专业发展提供坚实基础，使其在实际工作中能够胜任更多挑战。
recommend-type

关系数据表示学习

关系数据卢多维奇·多斯桑托斯引用此版本：卢多维奇·多斯桑托斯。关系数据的表示学习机器学习[cs.LG]。皮埃尔和玛丽·居里大学-巴黎第六大学，2017年。英语。NNT：2017PA066480。电话：01803188HAL ID：电话：01803188https://theses.hal.science/tel-01803188提交日期：2018年HAL是一个多学科的开放存取档案馆，用于存放和传播科学研究论文，无论它们是否被公开。论文可以来自法国或国外的教学和研究机构，也可以来自公共或私人研究中心。L’archive ouverte pluridisciplinaireUNIVERSITY PIERRE和 MARIE CURIE计算机科学、电信和电子学博士学院（巴黎）巴黎6号计算机科学实验室D八角形T HESIS关系数据表示学习作者：Ludovic DOS SAntos主管：Patrick GALLINARI联合主管：本杰明·P·伊沃瓦斯基为满足计算机科学博士学位的要求而提交的论文评审团成员：先生蒂埃里·A·退休记者先生尤尼斯·B·恩