%% % exp1 blue=[80/255 138/255 178/255]; %画出bar图 x = categorical({'600','5','1'}); y=[-52.470 -33.936 -24.414]; err=[2.731 2.731 2.827]; ci = 1.96 .* err ./ sqrt(numel(y)); % 计算置信区间 b1=bar(x,y); hold on; %添加置信区间 for i = 1:numel(y) errorbar(i, y(i), ci(i), 'k', 'linestyle', 'none'); end hold on; %添上数据标签 xtips = b1.XEndPoints; ytips = b1.YEndPoints; labels = string(b1.YData); text(xtips,ytips,labels,'HorizontalAlignment','center','VerticalAlignment','bottom') %添加坐标轴标签 xlabel('kappa','Fontname','Times New Roman','Fontsize',13); ylabel('path orientation [degree]','Fontname','Times New Roman','Fontsize',13); %更改颜色 b1.FaceColor=blue; b1.EdgeColor=blue; 帮我检查一下为什么置信区间和数据反了

时间: 2023-08-14 11:06:25 浏览: 142
ZIP

slover.zip_人工智能/神经网络/深度学习_Python__人工智能/神经网络/深度学习_Python_

您在添加置信区间时,应该将 `ci` 数组作为误差条的长度,将 `err` 数组作为置信区间的长度,所以需要将两个数组的使用位置反过来,代码修改如下: ``` % 画出bar图 x = categorical({'600','5','1'}); y=[-52.470 -33.936 -24.414]; err=[2.731 2.731 2.827]; ci = 1.96 .* err ./ sqrt(numel(y)); % 计算置信区间 b1=bar(x,y); hold on; % 添加置信区间 for i = 1:numel(y) errorbar(i, y(i), ci(i), 'k', 'linestyle', 'none'); hold on; rectangle('Position',[i-ci(i)/2,y(i)-err(i)/2,ci(i),err(i)],'LineWidth',1.5,'EdgeColor','k','FaceColor','none'); end % 添上数据标签 xtips = b1.XEndPoints; ytips = b1.YEndPoints; labels = string(b1.YData); text(xtips,ytips,labels,'HorizontalAlignment','center','VerticalAlignment','bottom') % 添加坐标轴标签 xlabel('kappa','Fontname','Times New Roman','Fontsize',13); ylabel('path orientation [degree]','Fontname','Times New Roman','Fontsize',13); % 更改颜色 blue=[80/255 138/255 178/255]; b1.FaceColor=blue; b1.EdgeColor=blue; ``` 这样的话,误差条就在柱子上方,置信区间在误差条上方,效果应该符合预期了。
阅读全文

相关推荐

介绍一下这段代码的Depthwise卷积层def get_data4EEGNet(kernels, chans, samples): K.set_image_data_format('channels_last') data_path = '/Users/Administrator/Desktop/project 5-5-1/' raw_fname = data_path + 'concatenated.fif' event_fname = data_path + 'concatenated.fif' tmin, tmax = -0.5, 0.5 #event_id = dict(aud_l=769, aud_r=770, foot=771, tongue=772) raw = io.Raw(raw_fname, preload=True, verbose=False) raw.filter(2, None, method='iir') events, event_id = mne.events_from_annotations(raw, event_id={'769': 1, '770': 2,'770': 3, '771': 4}) #raw.info['bads'] = ['MEG 2443'] picks = mne.pick_types(raw.info, meg=False, eeg=True, stim=False, eog=False) epochs = mne.Epochs(raw, events, event_id, tmin, tmax, proj=False, picks=picks, baseline=None, preload=True, verbose=False) labels = epochs.events[:, -1] print(len(labels)) print(len(epochs)) #epochs.plot(block=True) X = epochs.get_data() * 250 y = labels X_train = X[0:144,] Y_train = y[0:144] X_validate = X[144:216, ] Y_validate = y[144:216] X_test = X[216:, ] Y_test = y[216:] Y_train = np_utils.to_categorical(Y_train - 1) Y_validate = np_utils.to_categorical(Y_validate - 1) Y_test = np_utils.to_categorical(Y_test - 1) X_train = X_train.reshape(X_train.shape[0], chans, samples, kernels) X_validate = X_validate.reshape(X_validate.shape[0], chans, samples, kernels) X_test = X_test.reshape(X_test.shape[0], chans, samples, kernels) return X_train, X_validate, X_test, Y_train, Y_validate, Y_test kernels, chans, samples = 1, 3, 251 X_train, X_validate, X_test, Y_train, Y_validate, Y_test = get_data4EEGNet(kernels, chans, samples) model = EEGNet(nb_classes=3, Chans=chans, Samples=samples, dropoutRate=0.5, kernLength=32, F1=8, D=2, F2=16, dropoutType='Dropout') model.compile(loss='categorical_crossentropy', optimizer='adam', metrics=['accuracy']) checkpointer = ModelCheckpoint(filepath='/Users/XXX/baseline.h5', verbose=1, save_best_only=True) class_weights = {0: 1, 1: 1, 2: 1, 3: 1} fittedModel = model.fit(X_train, Y_train, batch_size=2, epochs=100, verbose=2, validation_data=(X_validate, Y_validate), callbacks=[checkpointer], class_weight=class_weights) probs = model.predict(X_test) preds = probs.argmax(axis=-1) acc = np.mean(preds == Y_test.argmax(axis=-1)) print("Classification accuracy: %f " % (acc))

function varargout = mixexpPredict(model, X) %% Predict using mixture of experts model % If the response y is real-valued, we return % [mu, sigma2, post, muk, sigma2k] = mixexpPredict(model, X) % mu(i) = E[y | X(i,:)] % sigma2(i) = var[y | X(i,:)] % weights(i,k) = p(expert = k | X(i,:) % muk(i) = E[y | X(i,:), expert k] % sigma2k(i) = var[y | X(i,:), expert k] % % If the response y is categorical, we return % [yhat, prob] = mixexpPredict(model, X) % yhat(i) = argmax p(y|X(i,:)) % prob(i,c) = p(y=c|X(i,:)) % This file is from pmtk3.googlecode.com [N,D] = size(X); %X = standardize(X); %X = [ones(N,1) X]; if isfield(model, 'preproc') [X] = preprocessorApplyToTest(model.preproc, X); end K = model.nmix; if model.fixmix weights = repmat(model.mixweights, N, 1); else weights = softmaxPmtk(X*model.Wq); % weights(n,q) end if model.classifier % implemented by JoAnne Ting prob = zeros(N, size(model.Wy,2)); yhat_k = zeros(N, model.Nclasses, K); for k = 1:K yhat_k(:,:,k) = softmaxPmtk(X*model.Wy(:,:,k)); % Weighted vote prob = prob + yhat_k(:,:,k) .* repmat(weights(:,k), 1, size(model.Wy,2)); end yhat = maxidx(prob, [], 2); varargout{1} = yhat; varargout{2} = prob; else % mean of a mixture model is given by % E[x] = sum_k pik muk %mu = sum(weights .* (X*model.Wy), 2); % variance of a mixture model is given by % sum_k pi_k [Sigmak + muk*muk'] - E[x] E[x]' muk = zeros(N,K); vk = zeros(N,K); mu = zeros(N,1); v = zeros(N,1); for k=1:K muk(:,k) = X*model.Wy(:,k); mu = mu + weights(:,k) .* muk(:,k); vk(:,k) = model.sigma2(k); v = v + weights(:,k) .* (vk(:,k) + muk(:,k).^2); end v = v-mu.^2; varargout{1} = mu; varargout{2} = v; varargout{3} = weights; varargout{4} = muk; varargout{5} = vk; end end

import tensorflow as tf from tensorflow.keras.preprocessing.image import ImageDataGenerator # 设置训练集和验证集的路径 train_dir = 'path/to/train/directory' validation_dir = 'path/to/validation/directory' # 定义数据生成器 train_datagen = ImageDataGenerator(rescale=1./255) validation_datagen = ImageDataGenerator(rescale=1./255) train_generator = train_datagen.flow_from_directory( train_dir, target_size=(150, 150), batch_size=32, class_mode='categorical') validation_generator = validation_datagen.flow_from_directory( validation_dir, target_size=(150, 150), batch_size=32, class_mode='categorical') # 构建卷积神经网络模型 model = tf.keras.models.Sequential([ tf.keras.layers.Conv2D(32, (3,3), activation='relu', input_shape=(150, 150, 3)), tf.keras.layers.MaxPooling2D(2, 2), tf.keras.layers.Conv2D(64, (3,3), activation='relu'), tf.keras.layers.MaxPooling2D(2,2), tf.keras.layers.Conv2D(128, (3,3), activation='relu'), tf.keras.layers.MaxPooling2D(2,2), tf.keras.layers.Conv2D(128, (3,3), activation='relu'), tf.keras.layers.MaxPooling2D(2,2), tf.keras.layers.Flatten(), tf.keras.layers.Dense(512, activation='relu'), tf.keras.layers.Dense(5, activation='softmax') ]) # 编译模型 model.compile(loss='categorical_crossentropy', optimizer=tf.keras.optimizers.RMSprop(lr=1e-4), metrics=['acc']) # 训练模型 history = model.fit( train_generator, steps_per_epoch=train_generator.samples/train_generator.batch_size, epochs=30, validation_data=validation_generator, validation_steps=validation_generator.samples/validation_generator.batch_size, verbose=2) # 保存模型 model.save('flower_classification.h5')给这个代码添加SeNet

请分析这段代码:# 定义数据集路径 train_dir = 'dataset/train/' test_dir = 'dataset/test/' # 定义图像大小和批次大小 image_size = 100 batch_size = 16 # 定义训练集和验证集的图像生成器 train_datagen = ImageDataGenerator( rescale=1./255, rotation_range=20, width_shift_range=0.2, height_shift_range=0.2, shear_range=0.2, zoom_range=0.2, horizontal_flip=True ) test_datagen = ImageDataGenerator(rescale=1./255) # 生成训练集和验证集 train_generator = train_datagen.flow_from_directory( train_dir, target_size=(image_size, image_size), batch_size=batch_size, class_mode='categorical' ) test_generator = test_datagen.flow_from_directory( test_dir, target_size=(image_size, image_size), batch_size=batch_size, class_mode='categorical' ) # 定义模型 model = Sequential() model.add(Conv2D(32, (3, 3), activation='relu', input_shape=(image_size, image_size, 3))) model.add(MaxPooling2D((2, 2))) model.add(Conv2D(64, (3, 3), activation='relu')) model.add(MaxPooling2D((2, 2))) model.add(Conv2D(128, (3, 3), activation='relu')) model.add(MaxPooling2D((2, 2))) model.add(Conv2D(128, (3, 3), activation='relu')) model.add(MaxPooling2D((2, 2))) model.add(Flatten()) model.add(Dense(512, activation='relu')) model.add(Dense(2, activation='softmax')) # 编译模型 model.compile(optimizer='rmsprop', loss='categorical_crossentropy', metrics=['accuracy']) # 训练模型 history = model.fit_generator( train_generator, epochs=50, validation_data=test_generator ) # 保存模型 model.save('mask_detection.h5')

最新推荐

recommend-type

浅谈keras中的keras.utils.to_categorical用法

1. 函数签名:`keras.utils.to_categorical(y, num_classes=None, dtype='float32')` - `y`: 输入的整型标签数组,通常是训练集或验证集的标签。 - `num_classes`: 可选参数,指定类别总数。如果不提供,则会自动...
recommend-type

解决keras,val_categorical_accuracy:,0.0000e+00问题

然而,在实践中,我们可能会遇到一些问题,例如在训练过程中遇到`val_categorical_accuracy: 0.0000e+00`的情况。这通常意味着模型在验证集上的分类精度为零,即模型无法正确预测任何验证样本的类别。 问题描述: ...
recommend-type

yolov3 在 Open Images 数据集上预训练了 SPP 权重以及配置文件.zip

yolov3 在 Open Images 数据集上预训练了 SPP 权重以及配置文件如果权重无法下载,则可能是存储库超出了 git lfs 配额。请从没有此限制的bitbucket 存储库中提取。此存储库包含 yolov3 权重以及配置文件。该模型在Kaggle Open Images 挑战赛的私有 LB 上实现了 42.407 的 mAP 。为了使用这些权重,您需要安装darknet 。您可以在项目网站上阅读更多相关信息。有多种方法可以使用 darknet 进行检测。一种方法是创建一个 txt 文件,其中包含要运行检测的图像的路径,并从包含的 yolo.data 文件中指向该文件。运行检测的命令(假设 darknet 安装在该 repo 的根目录中)是 ./darknet/darknet detector valid yolo.data yolov3-spp.cfg yolov3-spp_final.weights我分享这些权重是因为它们可能对某些人有用。如果您遇到任何问题,我无法提供任何支持。Yolo 不太容易排除故障,如果您遇到段错误,则需要您自己找出问题所
recommend-type

JHU荣誉单变量微积分课程教案介绍

资源摘要信息:"jhu2017-18-honors-single-variable-calculus" 知识点一:荣誉单变量微积分课程介绍 本课程为JHU(约翰霍普金斯大学)的荣誉单变量微积分课程,主要针对在2018年秋季和2019年秋季两个学期开设。课程内容涵盖两个学期的微积分知识,包括整合和微分两大部分。该课程采用IBL(Inquiry-Based Learning)格式进行教学,即学生先自行解决问题,然后在学习过程中逐步掌握相关理论知识。 知识点二:IBL教学法 IBL教学法,即问题导向的学习方法,是一种以学生为中心的教学模式。在这种模式下,学生在教师的引导下,通过提出问题、解决问题来获取知识,从而培养学生的自主学习能力和问题解决能力。IBL教学法强调学生的主动参与和探索,教师的角色更多的是引导者和协助者。 知识点三:课程难度及学习方法 课程的第一次迭代主要包含问题,难度较大,学生需要有一定的数学基础和自学能力。第二次迭代则在第一次的基础上增加了更多的理论和解释,难度相对降低,更适合学生理解和学习。这种设计旨在帮助学生从实际问题出发,逐步深入理解微积分理论,提高学习效率。 知识点四:课程先决条件及学习建议 课程的先决条件为预演算,即在进入课程之前需要掌握一定的演算知识和技能。建议在使用这些笔记之前,先完成一些基础演算的入门课程,并进行一些数学证明的练习。这样可以更好地理解和掌握课程内容,提高学习效果。 知识点五:TeX格式文件 标签"TeX"意味着该课程的资料是以TeX格式保存和发布的。TeX是一种基于排版语言的格式,广泛应用于学术出版物的排版,特别是在数学、物理学和计算机科学领域。TeX格式的文件可以确保文档内容的准确性和排版的美观性,适合用于编写和分享复杂的科学和技术文档。
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

【实战篇:自定义损失函数】:构建独特损失函数解决特定问题,优化模型性能

![损失函数](https://img-blog.csdnimg.cn/direct/a83762ba6eb248f69091b5154ddf78ca.png) # 1. 损失函数的基本概念与作用 ## 1.1 损失函数定义 损失函数是机器学习中的核心概念,用于衡量模型预测值与实际值之间的差异。它是优化算法调整模型参数以最小化的目标函数。 ```math L(y, f(x)) = \sum_{i=1}^{N} L_i(y_i, f(x_i)) ``` 其中,`L`表示损失函数,`y`为实际值,`f(x)`为模型预测值,`N`为样本数量,`L_i`为第`i`个样本的损失。 ## 1.2 损
recommend-type

如何在ZYNQMP平台上配置TUSB1210 USB接口芯片以实现Host模式,并确保与Linux内核的兼容性?

要在ZYNQMP平台上实现TUSB1210 USB接口芯片的Host模式功能,并确保与Linux内核的兼容性,首先需要在硬件层面完成TUSB1210与ZYNQMP芯片的正确连接,保证USB2.0和USB3.0之间的硬件电路设计符合ZYNQMP的要求。 参考资源链接:[ZYNQMP USB主机模式实现与测试(TUSB1210)](https://wenku.csdn.net/doc/6nneek7zxw?spm=1055.2569.3001.10343) 具体步骤包括: 1. 在Vivado中设计硬件电路,配置USB接口相关的Bank502和Bank505引脚,同时确保USB时钟的正确配置。
recommend-type

Naruto爱好者必备CLI测试应用

资源摘要信息:"Are-you-a-Naruto-Fan:CLI测验应用程序,用于检查Naruto狂热者的知识" 该应用程序是一个基于命令行界面(CLI)的测验工具,设计用于测试用户对日本动漫《火影忍者》(Naruto)的知识水平。《火影忍者》是由岸本齐史创作的一部广受欢迎的漫画系列,后被改编成同名电视动画,并衍生出一系列相关的产品和文化现象。该动漫讲述了主角漩涡鸣人从忍者学校开始的成长故事,直到成为木叶隐村的领袖,期间包含了忍者文化、战斗、忍术、友情和忍者世界的政治斗争等元素。 这个测验应用程序的开发主要使用了JavaScript语言。JavaScript是一种广泛应用于前端开发的编程语言,它允许网页具有交互性,同时也可以在服务器端运行(如Node.js环境)。在这个CLI应用程序中,JavaScript被用来处理用户的输入,生成问题,并根据用户的回答来评估其对《火影忍者》的知识水平。 开发这样的测验应用程序可能涉及到以下知识点和技术: 1. **命令行界面(CLI)开发:** CLI应用程序是指用户通过命令行或终端与之交互的软件。在Web开发中,Node.js提供了一个运行JavaScript的环境,使得开发者可以使用JavaScript语言来创建服务器端应用程序和工具,包括CLI应用程序。CLI应用程序通常涉及到使用诸如 commander.js 或 yargs 等库来解析命令行参数和选项。 2. **JavaScript基础:** 开发CLI应用程序需要对JavaScript语言有扎实的理解,包括数据类型、函数、对象、数组、事件循环、异步编程等。 3. **知识库构建:** 测验应用程序的核心是其问题库,它包含了与《火影忍者》相关的各种问题。开发人员需要设计和构建这个知识库,并确保问题的多样性和覆盖面。 4. **逻辑和流程控制:** 在应用程序中,需要编写逻辑来控制测验的流程,比如问题的随机出现、计时器、计分机制以及结束时的反馈。 5. **用户界面(UI)交互:** 尽管是CLI,用户界面仍然重要。开发者需要确保用户体验流畅,这包括清晰的问题呈现、简洁的指令和友好的输出格式。 6. **模块化和封装:** 开发过程中应当遵循模块化原则,将不同的功能分隔开来,以便于管理和维护。例如,可以将问题生成器、计分器和用户输入处理器等封装成独立的模块。 7. **单元测试和调试:** 测验应用程序在发布前需要经过严格的测试和调试。使用如Mocha或Jest这样的JavaScript测试框架可以编写单元测试,并通过控制台输出调试信息来排除故障。 8. **部署和分发:** 最后,开发完成的应用程序需要被打包和分发。如果是基于Node.js的应用程序,常见的做法是将其打包为可执行文件(如使用electron或pkg工具),以便在不同的操作系统上运行。 根据提供的文件信息,虽然具体细节有限,但可以推测该应用程序可能采用了上述技术点。用户通过点击提供的链接,可能将被引导到一个网页或直接下载CLI应用程序的可执行文件,从而开始进行《火影忍者》的知识测验。通过这个测验,用户不仅能享受答题的乐趣,还可以加深对《火影忍者》的理解和认识。
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

【强化学习损失函数探索】:奖励函数与损失函数的深入联系及优化策略

![【强化学习损失函数探索】:奖励函数与损失函数的深入联系及优化策略](https://cdn.codeground.org/nsr/images/img/researchareas/ai-article4_02.png) # 1. 强化学习中的损失函数基础 强化学习(Reinforcement Learning, RL)是机器学习领域的一个重要分支,它通过与环境的互动来学习如何在特定任务中做出决策。在强化学习中,损失函数(loss function)起着至关重要的作用,它是学习算法优化的关键所在。损失函数能够衡量智能体(agent)的策略(policy)表现,帮助智能体通过减少损失来改进自