factor(float)- 学习率调整倍数(等同于其它方法的 gamma)，即学习率更新为 lr=lr * factorpatience(int)- 忍受该指标多少个 step 不变化，当忍无可忍时，调整学习率。eps(float)- 学习率衰减的最小值，当学习率变化小于 eps 时，则不调整 学习率。调整规则为， lr = base_lr*lmbda(self.last_epoch) fine

本次实验以全国城市空气质量指数（AQI）为对象，借 Pyecharts 库完成多类型可视化任务。可视化原则落地：遵循交互体验原则，如实验1给横向条形图加数据缩放、均值标记，实验2为饼图设点击弹窗，保障交互高效，助用户理解数据。技术分类实践：覆盖条形图、饼图、Geo、Map3D、Tab仪表盘等可视化类型，验证不同场景技术选型逻辑。核心技术掌握：熟用Pyecharts配置样式、处理交互，结合数据清洗、

factor(float)- 学习率调整倍数(等同于其它方法的 gamma)，即学习率更新为 lr=lr * factorpatience(int)- 忍受该指标多少个 step 不变化，当忍无可忍时，调整学习率。eps(float)- 学习率衰减的最小值，当学习率变化小于 eps 时，则不调整 学习率。调整规则为， lr = base_lr*lmbda(self.last_epoch) fine

本次实验以全国城市空气质量指数（AQI）为对象，借 Pyecharts 库完成多类型可视化任务。可视化原则落地：遵循交互体验原则，如实验1给横向条形图加数据缩放、均值标记，实验2为饼图设点击弹窗，保障交互高效，助用户理解数据。技术分类实践：覆盖条形图、饼图、Geo、Map3D、Tab仪表盘等可视化类型，验证不同场景技术选型逻辑。核心技术掌握：熟用Pyecharts配置样式、处理交互，结合数据清洗、

factor(float)- 学习率调整倍数(等同于其它方法的 gamma)，即学习率更新为 lr=lr * factorpatience(int)- 忍受该指标多少个 step 不变化，当忍无可忍时，调整学习率。eps(float)- 学习率衰减的最小值，当学习率变化小于 eps 时，则不调整 学习率。调整规则为， lr = base_lr*lmbda(self.last_epoch) fine

本次实验围绕关系数据在大数据中的应用及可视化展开，通过多种Python程序实现的图表，深入探究了犯罪类型数据之间的关系。在实验过程中，首先利用seaborn模块的jointplot方法，将散点图、密度分布图和直方图结合，对谋杀（murder）和入室盗窃（burglary）两种犯罪类型的关系进行探究。这种可视化方式从多个角度展示了数据的分布和相关性，直观呈现出两种犯罪类型在不同维度下的特征，为进一步