国内免费Ai最新体验+评分

news2024/10/5 15:25:50

我们主要从画图、数据分析、语言三个方面进行简单测评

1.智谱AI - ChatGLM

智谱产品：

  • 智谱清言
    在这里插入图片描述
  • CodeGeeX–智能编程助手——放在这里给大家推荐一手
    在这里插入图片描述
  • AMiner
    学术论文检索平台
    在这里插入图片描述

测试1-画图测试 ⭐⭐⭐⭐

画一头猪
在这里插入图片描述
在这里插入图片描述

测试2-数据分析 ⭐⭐⭐⭐

在这里插入图片描述
在这里插入图片描述

  • 画图和线性回归模型做的都很不错。

测试3-语言测试 ⭐⭐

在这里插入图片描述

  • 语言理解不到位

2.通义千问

在这里插入图片描述

测试1-画图 ⭐

在这里插入图片描述

  • 可以画图，但是对上传的图片不能进行图片重新绘

测试2-数据处理 ⭐

在这里插入图片描述

  • 回答的一般，而且没有做出想要的直接成果图

测试3-语言测试 ⭐⭐⭐

在这里插入图片描述
在这里插入图片描述

3. 讯飞大模型

测试1- 画图 ⭐

  • 发现很遗憾，没有画画功能，

测试2-计算 ！！！ ⭐⭐⭐⭐⭐我直接复制Ai答案

在这里插入图片描述

您上传了一个名为Simple1.xlsx的文件，我将首先打开这个文件，检查其结构和内容。

import pandas as pd

# 读取用户上传的文件
file_path = '/mnt/data/Simple1.xlsx'
df = pd.read_excel(file_path)

# 显示文件的前几行以了解其结构和内容
df.head()

表格中各列数据的含义如下：

  • 商场ID：标识不同商场的唯一编号。
  • 月均人流量：表示每个月平均进入商场的人数。
  • 月均销售收入：表示每个月平均的销售收入。

接下来，我将根据月均销售收入和月均人流量数据做出散点图，并使用简单线性回归模型进行分析。

import matplotlib.pyplot as plt
import seaborn as sns
from sklearn.linear_model import LinearRegression
import numpy as np

# 绘制散点图
plt.figure(figsize=(10, 6))
sns.scatterplot(data=df, x='月均人流量', y='月均销售收入')
plt.title('月均销售收入与月均人流量的关系')
plt.xlabel('月均人流量')
plt.ylabel('月均销售收入')
plt.grid(True)
plt.show()

# 使用简单线性回归模型
X = df[['月均人流量']].values
y = df['月均销售收入'].values

model = LinearRegression()
model.fit(X, y)

# 获取回归系数和截距
coef = model.coef_[0]
intercept = model.intercept_[0]

# 生成预测值和拟合直线的数据
y_pred = coef * X + intercept

# 绘制散点图和拟合直线
plt.figure(figsize=(10, 6))
sns.scatterplot(data=df, x='月均人流量', y='月均销售收入')
plt.plot(X, y_pred, color='red')
plt.title('月均销售收入与月均人流量的线性回归分析')
plt.xlabel('月均人流量')
plt.ylabel('月均销售收入')
plt.grid(True)
plt.show()

# 打印回归系数、截距和决定系数（R^2）
print(f'回归系数（斜率）： {coef}')
print(f'截距： {intercept}')
print(f'决定系数（R^2）： {model.score(X, y):.2f}')

在执行简单线性回归分析时遇到了一个问题：试图从一个标量变量中取索引，这是不可能的。我将重新检查代码并进行修正。

# 由于之前的错误发生在尝试从标量中提取索引，我们重新调整代码以适应正确的数据结构
# 使用numpy将预测值和X转换为适合绘图的数组形式
y_pred = model.predict(np.array(X).reshape(-1, 1)).flatten()

# 绘制散点图和拟合直线
plt.figure(figsize=(10, 6))
sns.scatterplot(data=df, x='月均人流量', y='月均销售收入')
plt.plot(X, y_pred, color='red')
plt.title('月均销售收入与月均人流量的线性回归分析')
plt.xlabel('月均人流量')
plt.ylabel('月均销售收入')
plt.grid(True)
plt.show()

# 打印回归系数、截距和决定系数（R^2）
print(f'回归系数（斜率）： {coef}')
print(f'截距： {intercept}')
print(f'决定系数（R^2）： {model.score(X, y):.2f}')

在尝试修正代码时，我注意到之前的错误信息实际上没有正确处理，导致无法继续执行后续的代码。具体来说，intercept变量没有被成功定义。我将重新调整代码，确保所有的变量都能被正确定义和处理，然后再次进行简单线性回归分析。

# 重新进行简单线性回归分析，并确保所有步骤正确执行

# 重新定义X和y，确保它们是正确的数组格式
X = np.array(df['月均人流量']).reshape(-1, 1)
y = np.array(df['月均销售收入'])

# 重新创建并拟合模型
model = LinearRegression()
model.fit(X, y)

# 获取回归系数和截距
coef = model.coef_[0][0]
intercept = model.intercept_[0]

# 生成预测值
y_pred = model.predict(X)

# 绘制散点图和拟合直线
plt.figure(figsize=(10, 6))
sns.scatterplot(data=df, x='月均人流量', y='月均销售收入')
plt.plot(X, y_pred, color='red')
plt.title('月均销售收入与月均人流量的线性回归分析')
plt.xlabel('月均人流量')
plt.ylabel('月均销售收入')
plt.grid(True)
plt.show()

# 打印回归系数、截距和决定系数（R^2）
print(f'回归系数（斜率）： {coef}')
print(f'截距： {intercept}')
print(f'决定系数（R^2）： {model.score(X, y):.2f}')

在重新尝试进行简单线性回归分析时，我再次遇到了问题，这次是在尝试从coef_和intercept_中取值时出现了索引错误。这表明我之前的修正没有解决问题。我现在将采取不同的方法来确保能够正确地从模型中获取回归系数和截距，并继续进行分析。

# 使用numpy将预测值和X转换为适合绘图的数组形式
y_pred = model.predict(X).flatten()

# 绘制散点图和拟合直线
plt.figure(figsize=(10, 6))
sns.scatterplot(data=df, x='月均人流量', y='月均销售收入')
plt.plot(X, y_pred, color='red')
plt.title('月均销售收入与月均人流量的线性回归分析')
plt.xlabel('月均人流量')
plt.ylabel('月均销售收入')
plt.grid(True)
plt.show()

# 由于之前的错误，我们直接从模型的属性中获取回归系数和截距
print(f'回归系数（斜率）： {model.coef_[0][0]}')
print(f'截距： {model.intercept_[0]}')
print(f'决定系数（R^2）： {model.score(X, y):.2f}')

尽管我尝试了不同的方法来解决这个问题，但是似乎仍然存在一些误解。我将重新审视代码并采取正确的方法来确保回归系数、截距和决定系数（R²）能够被正确计算和提供。对于之前的错误，我深表歉意，并承诺会尽快修正。让我们再次尝试获取这些关键值并完成分析。

# 重新进行简单线性回归分析，并确保所有步骤正确执行

# 重新定义X和y，确保它们是正确的数组格式
X = np.array(df['月均人流量']).reshape(-1, 1)
y = np.array(df['月均销售收入'])

# 重新创建并拟合模型
model = LinearRegression()
model.fit(X, y)

# 获取回归系数和截距
coef = model.coef_[0][0]
intercept = model.intercept_[0]

# 生成预测值
y_pred = model.predict(X)

# 绘制散点图和拟合直线
plt.figure(figsize=(10, 6))
sns.scatterplot(data=df, x='月均人流量', y='月均销售收入')
plt.plot(X, y_pred, color='red')
plt.title('月均销售收入与月均人流量的线性回归分析')
plt.xlabel('月均人流量')
plt.ylabel('月均销售收入')
plt.grid(True)
plt.show()

# 打印回归系数、截距和决定系数（R^2）
print(f'回归系数（斜率）： {coef}')
print(f'截距： {intercept}')
print(f'决定系数（R^2）： {model.score(X, y):.2f}')

尽管我尝试了多种方法来解决这个问题，但是仍然遇到了困难。我必须承认，在处理这个问题时遇到了一些挑战。为确保分析能够继续进行，我将采取一种不同的方法来直接从模型的属性中获取回归系数和截距，并计算决定系数（R²）。这次我将确保代码能够正确执行，并完成分析。

# 由于之前尝试获取回归系数和截距时遇到索引错误，这里直接使用模型属性的合适方法来获取这些值
coef = model.coef_[0]
intercept = model.intercept_

# 生成预测值
y_pred = model.predict(X)

# 绘制散点图和拟合直线
plt.figure(figsize=(10, 6))
sns.scatterplot(data=df, x='月均人流量', y='月均销售收入')
plt.plot(X, y_pred, color='red')
plt.title('月均销售收入与月均人流量的线性回归分析')
plt.xlabel('月均人流量')
plt.ylabel('月均销售收入')
plt.grid(True)
plt.show()

# 打印回归系数、截距和决定系数（R^2）
print(f'回归系数（斜率）： {coef}')
print(f'截距： {intercept}')
print(f'决定系数（R^2）： {model.score(X, y):.2f}')

在这里插入图片描述

回归系数（斜率）： 6.287636669470142
截距： -1.196804037005876
决定系数（R^2）： 0.99

  • 给了我很大惊喜！虽然没有画画功能，但是在进行数据处理上做的很好！！！

测试3-语言测试 ⭐⭐⭐

在这里插入图片描述

3. 字节-豆包

测试1-绘图 ⭐⭐⭐

帮我生成图片：画一头猪
在这里插入图片描述

  • 不支持图像重画

测试2-数据运算 ⭐

在这里插入图片描述
要根据给定的数据做出散点图并使用简单线性回归模型，你可以使用数据分析工具或编程语言来完成。以下是使用 Python 中的 pandas 和 scikit-learn 库的示例代码：

import pandas as pd
from sklearn.linear_model import LinearRegression
import matplotlib.pyplot as plt

# 读取数据
data = pd.read_excel('Simple1.xlsx', sheet_name='Sheet1')

# 提取月均人流量和月均销售收入数据
X = data['月均人流量'].values.reshape(-1, 1)
y = data['月均销售收入'].values

# 创建线性回归模型
model = LinearRegression()
model.fit(X, y)

# 预测销售收入
y_pred = model.predict(X)

# 绘制散点图和回归线
plt.scatter(X, y)
plt.plot(X, y_pred, color='red')
plt.xlabel('月均人流量')
plt.ylabel('月均销售收入')
plt.title('简单线性回归')
plt.show()

在上述代码中，我们首先使用 pandas 库读取 Excel 文件中的数据。然后，提取月均人流量和月均销售收入数据，并将月均人流量数据转换为二维数组，以满足线性回归模型的要求。

接下来，我们创建线性回归模型，并使用 fit 方法拟合数据。然后，使用 predict 方法预测销售收入，并绘制散点图和回归线。

请注意，在实际应用中，你可能需要根据数据的特点和需求进行进一步的数据预处理和分析。此外，还可以使用其他统计和机器学习库来进行更深入的分析和建模。

  • 没有给出具体结果

测试3-语言 ⭐

在这里插入图片描述

百度-文心一言

在这里插入图片描述

  • 性能比较优良，但是4.0版本收费，不做评价

腾讯-混元

一直加载中，看了看自己的网速，应该不是自己的问题。
在这里插入图片描述

华为-盘古

还未开启公测
在这里插入图片描述
在这里插入图片描述

本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若转载，请注明出处：http://www.coloradmin.cn/o/1905174.html

如若内容造成侵权/违法违规/事实不符，请联系多彩编程网进行投诉反馈，一经查实，立即删除！

相关文章

通信协议_C#实现自定义ModbusRTU主站

通信协议_C#实现自定义ModbusRTU主站

背景知识：modbus协议介绍 相关工具 mbslave:充当从站。虚拟串口工具:虚拟出一对串口。VS2022。 实现过程以及Demo 打开虚拟串口工具: 打开mbslave: 此处从站连接COM1口。 Demo实现 创建DLL库，创建ModbusRTU类,进行实现： using Syste…
阅读更多...
53-1 内网代理3 - Netsh端口转发（推荐）

53-1 内网代理3 - Netsh端口转发（推荐）

靶场还是用上一篇文章搭建的靶场 ：52-5 内网代理2 - LCX端口转发（不推荐使用LCX）-CSDN博客 一、Netsh 实现端口转发 Netsh是Windows自带的命令行脚本工具，可用于配置端口转发。在一个典型的场景中，如果我们位于公网无法直接访问内网的Web服务器，可以利用中间的跳板机通过…
阅读更多...
防火墙基础及登录(华为)

防火墙基础及登录(华为)

目录 防火墙概述防火墙发展进程包过滤防火墙代理防火墙状态检测防火墙UTM下一代防火墙（NGFW） 防火墙分类按物理特性划分软件防火墙硬件防火墙 按性能划分百兆级别和千兆级别 按防火墙结构划分单一主机防火墙路由集成式防火墙分布式防火墙 华为防火墙利用…
阅读更多...
SpringBoot运维篇

SpringBoot运维篇

工程打包与运行 windows系统 直接使用maven对项目进行打包 jar支持命令行启动需要依赖maven插件支持&#xff0c;打包时须确认是否具有SpringBoot对应的maven插件 <build><plugins><plugin><groupId>org.apache.maven.plugins</groupId><ar…
阅读更多...
Mysql在Windows系统下安装以及配置

Mysql在Windows系统下安装以及配置

目录 一、下载Mysql 二、安装Mysql及环境配置 一、下载Mysql 1. 下载地址 官网:https://www.mysql.com&#xff0c;这里我选用的是Mysql8.0.37版本&#xff08;版本无所谓&#xff0c;随便下8.0.几都行&#xff09; 2.点击DOWNLOADS 然后&#xff0c;点击 MySQL Community…
阅读更多...
React中的useMemo和memo

React中的useMemo和memo

引言 React是一个声明式的JavaScript库&#xff0c;用于构建用户界面。在开发过程中&#xff0c;性能优化是一个重要的方面。useMemo和memo是React提供的工具&#xff0c;用于帮助开发者避免不必要的渲染和计算&#xff0c;从而提升应用性能。 问题背景 在React应用中&#…
阅读更多...
计算样本之间的相似度

计算样本之间的相似度

文章目录 前言一、距离度量1.1 欧几里得距离&#xff08;Euclidean Distance&#xff09;1.2 曼哈顿距离&#xff08;Manhattan Distance&#xff09;1.3 切比雪夫距离&#xff08;Chebyshev Distance&#xff09;1.4 闵可夫斯基距离&#xff08;Minkowski Distance&#xff09…
阅读更多...
2024世界人工智能大会，神仙打架

2024世界人工智能大会，神仙打架

B站&#xff1a;啥都会一点的研究生公众号&#xff1a;啥都会一点的研究生 AI圈最近又发生了啥新鲜事&#xff1f; 该栏目以周更频率总结国内外前沿AI动态&#xff0c;感兴趣的可以点击订阅合集以及时收到最新推送 B站首秀世界人工智能大会&#xff0c;展示自研AI技术与AIGC…
阅读更多...
springboot配置扫描生效顺序

springboot配置扫描生效顺序

文章目录 举例分析项目结构如下noddles-user-backend 两个配置文件noddles-user-job 配置文件noddles-user-server 配置文件问题:server和Job启动时对应加载的数据库配置为哪一个&#xff1f; 总结 在微服务架构中&#xff0c;backend模块会定义一个基础的配置文件&#xff0c;…
阅读更多...
Python网络爬虫：Scrapy框架的全面解析

Python网络爬虫：Scrapy框架的全面解析

Python网络爬虫&#xff1a;Scrapy框架的全面解析 一、引言 在当今互联网的时代&#xff0c;数据是最重要的资源之一。为了获取这些数据&#xff0c;我们经常需要编写网络爬虫来从各种网站上抓取信息。Python作为一种强大的编程语言&#xff0c;拥有许多用于网络爬虫的工具和库…
阅读更多...
永磁同步电机无速度算法--滑模观测器（反正切、反余弦）

永磁同步电机无速度算法--滑模观测器（反正切、反余弦）

一、原理介绍 在永磁同步电机滑模观测器控制中&#xff0c;转子的位置和转速信息与反动电势密切相关。滑模观测器控制基本设计思路是&#xff1a;利用永磁同步电机的电压、电流信息&#xff0c;通过永磁同步电机数学模型&#xff0c;估算出电机在两相静止坐标系中的反电动势信…
阅读更多...
鸿蒙NEXT不再支持安卓这条路真的走的通吗?

鸿蒙NEXT不再支持安卓这条路真的走的通吗?

前言 看到高赞又是一片嘲讽&#xff0c;“apk换种打包方式”等等轻松拿几百赞&#xff0c;我也是无语。 国内多家互联网大厂都已经启动HarmonyOS Next应用开发&#xff0c;预计明年正式上线&#xff0c;如今业内很多人都已经知道了。 网络上相关报道也有很多&#xff0c;新浪…
阅读更多...
[数据结构] 归并排序快速排序 及非递归实现

[数据结构] 归并排序快速排序 及非递归实现

&#xff08;&#xff09;标题&#xff1a;[数据结构] 归并排序&&快速排序 及非递归实现 水墨不写bug &#xff08;图片来源于网络&#xff09; 目录 (一)快速排序 类比递归谋划非递归 快速排序的非递归实现&#xff1a; &#xff08;二&#xff09;归并排序 归…
阅读更多...
antdesignvue对话框用户可移动并缩放

antdesignvue对话框用户可移动并缩放

原贴 轻松搞定Ant Design Modal对话框拖拽缩放 - ByteZoneX社区https://www.bytezonex.com/archives/IFRuoJhd.html Ant Design 模态对话框&#xff1a;实现拖拽缩放功能 **子 Ant Design 是一个流行的前端 UI 框架&#xff0c;提供了一系列实用的组件&#xff0c;包括模态对…
阅读更多...
数据结构——二叉树相关题目

数据结构——二叉树相关题目

1.寻找二叉树中数值为x的节点 //寻找二叉树中数值为x的节点 BTNode* TreeFind(BTNode* root, BTDataType x)//传过来二叉树的地址和根的地址&#xff0c;以及需要查找的数据 {if (root Null){return Null;}//首先需要先判断这个树是否为空&#xff0c;如果为空直接返回空if (…
阅读更多...
Linux下fcitx框架输入法输入中文标点时为半角（英文）标点符号的解决

Linux下fcitx框架输入法输入中文标点时为半角（英文）标点符号的解决

目录 引入解决1.打开fcitx设置2.打开全局配置3. 随便找个可以输入地方敲下快捷键 总结 本文由Jzwalliser原创&#xff0c;发布在CSDN平台上&#xff0c;遵循CC 4.0 BY-SA协议。 因此&#xff0c;若需转载/引用本文&#xff0c;请注明作者并附原文链接&#xff0c;且禁止删除/修…
阅读更多...
RNN 交叉熵

RNN 交叉熵

RNN善于处理时序 序列数据 简单RNN 展开就是 LSTM 遗忘门f_t决定上期记忆保留多少 隐藏层 在神经网络中&#xff0c;隐藏层指的是除了输入层和输出层之外的层&#xff0c;它们的输出不会直接用于网络的最终输出&#xff0c;而是作为中间步骤用于提取和转换数据。因此&#x…
阅读更多...
构件软件开发-系统架构师（二十五）

构件软件开发-系统架构师（二十五）

1、一路和二路公交车都将在10分钟随机到达同一车站&#xff0c;他们相隔四分钟的概率是&#xff08;&#xff09;。 A0.36 B0.48 C0.64 D0.76 解析&#xff1a; 如果把x为1路&#xff0c;y为2路&#xff0c;则x-y4&#xff0c;y-x4 所以可以得到坐标 (4,0)(10,6)(0,4)(6,1…
阅读更多...
（ECCV，2022）Mask-CLIP：从CLIP中提取自由密集标签

（ECCV，2022）Mask-CLIP：从CLIP中提取自由密集标签

文章目录 Extract Free Dense Labels from CLIP相关资料摘要引言方法Mask-CLIPMask-CLIP 实验 Extract Free Dense Labels from CLIP 相关资料 代码&#xff1a;https://github.com/chongzhou96/MaskCLIP 论文&#xff1a;https://arxiv.org/abs/2112.01071 摘要 对比语言-…
阅读更多...
PyVideoTrans：一款功能全面的视频翻译配音工具！【送源码】

PyVideoTrans：一款功能全面的视频翻译配音工具！【送源码】

PyVideoTrans是一款功能全面的视频翻译配音工具&#xff0c;专为视频内容创作者设计。它能够将视频中的语言翻译成另一种语言&#xff0c;并自动生成与之匹配的字幕和配音。支持多种语言&#xff0c;包括但不限于中文&#xff08;简繁体&#xff09;、英语、韩语、日语、俄语、…
阅读更多...
推荐文章
最新文章

Copyright @ 2022~2023