【机器学习】探究DQN通过训练来解决AI序列决策问题

news/2024/7/25 21:53:47/文章来源:https://blog.csdn.net/xiaoxie8023/article/details/139193360

꒰˃͈꒵˂͈꒱ write in front ꒰˃͈꒵˂͈꒱
ʕ̯•͡˔•̯᷅ʔ大家好,我是xiaoxie.希望你看完之后,有不足之处请多多谅解,让我们一起共同进步૮₍❀ᴗ͈ . ᴗ͈ აxiaoxieʕ̯•͡˔•̯᷅ʔ—CSDN博客
本文由xiaoxieʕ̯•͡˔•̯᷅ʔ 原创 CSDN 如需转载还请通知˶⍤⃝˶
个人主页:xiaoxieʕ̯•͡˔•̯᷅ʔ—CSDN博客

系列专栏:机器学习系列专栏

"探索未来,掌握人工智能"🚀 点击加入我们的AI学习之旅,让技术变得有趣又易懂,点击跳转
我的目标:"团团等我💪( ◡̀_◡́ ҂)" 

( ⸝⸝⸝›ᴥ‹⸝⸝⸝ )欢迎各位→点赞👍 + 收藏⭐️ + 留言📝​+关注(互三必回)! 

 

目录

 一.AI序列决策问题

1.序列决策问题的特点:

2.解决序列决策问题的AI方法:

3.序列决策问题的应用场景:

二深度Q网络(Deep Q-Networks, DQN)解决序列决策问题

1.什么是DQN 

2.DNN如何训练

三.Python实现DQN算法训练过程


 一.AI序列决策问题

AI序列决策问题是指在人工智能领域中,智能体需要在一个序列的环境中做出一系列决策,以达到某个目标或最大化某种累积奖励的问题。这类问题通常涉及到强化学习,其中智能体通过与环境的交互来学习最优的行为策略。

1.序列决策问题的特点:

  1. 时间维度:决策不是一次性的,而是需要在一系列时间步骤中进行。每个决策都会影响后续的状态和可能的决策。

  2. 状态变化:智能体的每个决策都会使环境从一个状态转移到另一个状态。状态可以是环境的描述,如游戏的当前分数、机器人的位置等。

  3. 奖励反馈:智能体在每个时间步骤做出决策后,环境会提供一个奖励(或惩罚),这是对智能体决策好坏的反馈。

  4. 长期目标:智能体的目标通常是长期的,比如最大化累积奖励、达到最终的胜利状态或完成任务。

  5. 不确定性:智能体在做出决策时可能无法完全了解环境的全部特性,因此需要在不确定性中做出最优的选择。

2.解决序列决策问题的AI方法:

  1. 强化学习:通过智能体与环境的交互来学习最优策略。智能体通过尝试不同的行动并接收环境的奖励或惩罚来学习。

  2. 动态规划:一种基于模型的优化方法,通过预测未来的状态和奖励来计算当前行动的价值。

  3. 蒙特卡洛方法:通过随机模拟来估计行动的价值,适用于难以精确建模的环境。

  4. 时序差分学习:结合了动态规划和蒙特卡洛方法的特点,通过学习状态和行动之间的差异来更新价值估计。

  5. 深度学习:使用深度神经网络来近似复杂的价值函数或策略函数,尤其在状态空间高维且连续时表现出色。

3.序列决策问题的应用场景:

  • 游戏AI:如棋类游戏、电子游戏等,智能体需要通过一系列行动来赢得比赛。
  • 机器人控制:机器人需要根据环境的变化做出连续的移动和操作决策。
  • 自动驾驶汽车:汽车需要根据路况和交通规则做出连续的驾驶决策。
  • 资源管理:如电网管理、网络带宽分配等,需要根据实时数据做出一系列调度决策。

AI序列决策问题是人工智能中一个非常重要且活跃的研究领域,它不仅挑战着智能体在复杂环境中的学习能力,也推动了AI技术在多个领域的应用和发展。

二深度Q网络(Deep Q-Networks, DQN)解决序列决策问题

1.什么是DQN 

DQN属于DRL(深度强化学习)的一种,它是深度学习与Q学习的结合体。使用 Q-learning 因为采用S-A表格的局限性,当状态和行为的组合不可穷尽时,就无法通过查表的方式选取最优的Action了。这时候就该想到深度学习了,想通过深度学习找到最优解在很多情况下确实不太靠谱,但是找到一个无限逼近最优解的次优解,倒是没有问题的。因此DQN实际上,总体思路还是用的Q学习的思路,不过对于给定状态选取哪个动作所能得到的Q值,却是由一个深度神经网络来计算的了,其流程图如下:

  

2.DNN如何训练

现在我们的选择哪个动作,是由DNN来做决定的,因此我们需要训练DNN以使其能达到令人满意的表现。这显然是一个监督学习的问题,那么训练集是什么,标签是什么,损失函数又是什么?
首先,我们DNN的输出值,自然是在给定状态的情况下,执行各action后能得到的Q值。然而事实上我们在很多情况下并不知道最优的Q值是什么,比如自动驾驶、围棋等情况,所以似乎我们没法给出标签。但是什么是不变的呢?Reward
对状态s,执行动作a,那么得到的reward是一定的,而且是不变的!因此需要考虑从reward下手,让预测Q值和真实Q值的比较问题转换成让模型实质上在拟合reward的问题。
如果不能很好的理解,请看下面公式,下面公式中target是什么我们会在后面说到,这里先忽略它,那个红色的 θi- 我们也暂且将它当成 θi来看这个公式描述的就是模型的损失函数,大括号外面就是求一个均方差,我们主要看括号里面。前面被target标出来的地方是这一步得到的reward+下一状态所能得到的最大Q值,它们减去这一步的Q值,那么实际上它们的差就是实际reward减去现有模型认为在s下采取a时能得到的reward值。

现在的问题就已经转换为需要一组训练集,它能够提供一批四元组(s, a, r, s’),其中s’s执行a后的下一个状态。如果能有这样一个四元组,就能够用来训练DNN了,这就是我们要介绍的Experience reply
Experience Reply
前面提到我们需要一批四元组(s, a, r, s’)来进行训练,因此我们需要缓存一批这样的四元组到经验池中以供训练之用。由于每次执行一个动作后都能转移到下一个状态,并获得一个reward,因此我们每执行一次动作后都可以获得一个这样的四元组,也可以将这个四元组直接放入经验池中。
我们知道这种四元组之间是存在关联性的,因为状态的转移是连续的,如果直接按顺序取一批四元组作为训练集,那么是容易过拟合的,因为训练样本间不是独立的!为解决这个问题,我们可以简单地从经验池中随机抽取少量四元组作为一个batch,这样既保证了训练样本是独立同分布的,也使得每个batch样本量不大,能加快训练速度。 训练的伪代码为:

Target Network
上面的代码似乎已经能够正常运行了,为什么又冒出一个target network呢?回想下前面那个公式,这里重新搬到下面来,是不是之前说targetθi-都先忽略,现在就解释一下为什么

 

这个公式里θi-θi肯定是有区别的,不然也不会使用两个符号了。事实上,我们需要设计两个DNN,它们结构完全一样,但是参数不一样,即神经网络中各层的权重、偏置等,一个的参数是θi-,而另一个是θi。我们每次迭代中,更新的是θi而不更新θi-,且规定每运行C步后让θi- = θi。而其θi-所在的网络就被称为target network
为什么要弄这么奇怪的东西?
这也是为了防止过拟合。试想如果只有一个神经网络,那么它就在会不停地更新,那么它所追求的目标是在一直改变的,即在
θ改变的时候,不止Q(s, a)变了,max Q(s’, a’)也变了。这样的好处是使得上面公式中target所标注的部分是暂时固定的,我们不断更新θ追逐的是一个固定的目标,而不是一直改变的目标。
如果做了这种考虑,那么伪代码就要做一点点修改了,修改后如下,大家可以对比着看: 

三.Python实现DQN算法训练过程

在DQN中,Q值表中表示的是当前已学习到的经验。而根据公式计算出的 Q 值是agent通过与环境交互及自身的经验总结得到的一个分数(即:目标 Q 值)。最后使用目标 Q 值(target_q)去更新原来旧的 Q 值(q)。而目标 Q 值与旧的 Q 值的对应关系,正好是监督学习神经网络中结果值与输出值的对应关系。

所以,loss = (target_q - q)^2

即:整个训练过程其实就是 Q 值(q)向目标 Q 值(target_q)逼近的过程。

用TensorFlow实现的Deep Q-Network(DQN)的例子

import tensorflow as tf
import numpy as np
from collections import deque
import randomclass DeepQNetwork:r = np.array([[-1, -1, -1, -1, 0, -1],[-1, -1, -1, 0, -1, 100.0],[-1, -1, -1, 0, -1, -1],[-1, 0, 0, -1, 0, -1],[0, -1, -1, 1, -1, 100],[-1, 0, -1, -1, 0, 100],])# 执行步数。step_index = 0# 状态数。state_num = 6# 动作数。action_num = 6# 训练之前观察多少步。OBSERVE = 1000.# 选取的小批量训练样本数。BATCH = 20# epsilon 的最小值,当 epsilon 小于该值时,将不在随机选择行为。FINAL_EPSILON = 0.0001# epsilon 的初始值,epsilon 逐渐减小。INITIAL_EPSILON = 0.1# epsilon 衰减的总步数。EXPLORE = 3000000.# 探索模式计数。epsilon = 0# 训练步数统计。learn_step_counter = 0# 学习率。learning_rate = 0.001# γ经验折损率。gamma = 0.9# 记忆上限。memory_size = 5000# 当前记忆数。memory_counter = 0# 保存观察到的执行过的行动的存储器,即:曾经经历过的记忆。replay_memory_store = deque()# 生成一个状态矩阵(6 X 6),每一行代表一个状态。state_list = None# 生成一个动作矩阵。action_list = None# q_eval 网络。q_eval_input = Noneaction_input = Noneq_target = Noneq_eval = Nonepredict = Noneloss = Nonetrain_op = Nonecost_his = Nonereward_action = None# tensorflow 会话。session = Nonedef __init__(self, learning_rate=0.001, gamma=0.9, memory_size=5000):self.learning_rate = learning_rateself.gamma = gammaself.memory_size = memory_size# 初始化成一个 6 X 6 的状态矩阵。self.state_list = np.identity(self.state_num)# 初始化成一个 6 X 6 的动作矩阵。self.action_list = np.identity(self.action_num)# 创建神经网络。self.create_network()# 初始化 tensorflow 会话。self.session = tf.InteractiveSession()# 初始化 tensorflow 参数。self.session.run(tf.initialize_all_variables())# 记录所有 loss 变化。self.cost_his = []def create_network(self):"""创建神经网络。:return:"""self.q_eval_input = tf.placeholder(shape=[None, self.state_num], dtype=tf.float32)self.action_input = tf.placeholder(shape=[None, self.action_num], dtype=tf.float32)self.q_target = tf.placeholder(shape=[None], dtype=tf.float32)neuro_layer_1 = 3w1 = tf.Variable(tf.random_normal([self.state_num, neuro_layer_1]))b1 = tf.Variable(tf.zeros([1, neuro_layer_1]) + 0.1)l1 = tf.nn.relu(tf.matmul(self.q_eval_input, w1) + b1)w2 = tf.Variable(tf.random_normal([neuro_layer_1, self.action_num]))b2 = tf.Variable(tf.zeros([1, self.action_num]) + 0.1)self.q_eval = tf.matmul(l1, w2) + b2# 取出当前动作的得分。self.reward_action = tf.reduce_sum(tf.multiply(self.q_eval, self.action_input), reduction_indices=1)self.loss = tf.reduce_mean(tf.square((self.q_target - self.reward_action)))self.train_op = tf.train.GradientDescentOptimizer(self.learning_rate).minimize(self.loss)self.predict = tf.argmax(self.q_eval, 1)def select_action(self, state_index):"""根据策略选择动作。:param state_index: 当前状态。:return:"""current_state = self.state_list[state_index:state_index + 1]if np.random.uniform() < self.epsilon:current_action_index = np.random.randint(0, self.action_num)else:actions_value = self.session.run(self.q_eval, feed_dict={self.q_eval_input: current_state})action = np.argmax(actions_value)current_action_index = action# 开始训练后,在 epsilon 小于一定的值之前,将逐步减小 epsilon。if self.step_index > self.OBSERVE and self.epsilon > self.FINAL_EPSILON:self.epsilon -= (self.INITIAL_EPSILON - self.FINAL_EPSILON) / self.EXPLOREreturn current_action_indexdef save_store(self, current_state_index, current_action_index, current_reward, next_state_index, done):"""保存记忆。:param current_state_index: 当前状态 index。:param current_action_index: 动作 index。:param current_reward: 奖励。:param next_state_index: 下一个状态 index。:param done: 是否结束。:return:"""current_state = self.state_list[current_state_index:current_state_index + 1]current_action = self.action_list[current_action_index:current_action_index + 1]next_state = self.state_list[next_state_index:next_state_index + 1]# 记忆动作(当前状态, 当前执行的动作, 当前动作的得分,下一个状态)。self.replay_memory_store.append((current_state,current_action,current_reward,next_state,done))# 如果超过记忆的容量,则将最久远的记忆移除。if len(self.replay_memory_store) > self.memory_size:self.replay_memory_store.popleft()self.memory_counter += 1def step(self, state, action):"""执行动作。:param state: 当前状态。:param action: 执行的动作。:return:"""reward = self.r[state][action]next_state = actiondone = Falseif action == 5:done = Truereturn next_state, reward, donedef experience_replay(self):"""记忆回放。:return:"""# 随机选择一小批记忆样本。batch = self.BATCH if self.memory_counter > self.BATCH else self.memory_counterminibatch = random.sample(self.replay_memory_store, batch)batch_state = Nonebatch_action = Nonebatch_reward = Nonebatch_next_state = Nonebatch_done = Nonefor index in range(len(minibatch)):if batch_state is None:batch_state = minibatch[index][0]elif batch_state is not None:batch_state = np.vstack((batch_state, minibatch[index][0]))if batch_action is None:batch_action = minibatch[index][1]elif batch_action is not None:batch_action = np.vstack((batch_action, minibatch[index][1]))if batch_reward is None:batch_reward = minibatch[index][2]elif batch_reward is not None:batch_reward = np.vstack((batch_reward, minibatch[index][2]))if batch_next_state is None:batch_next_state = minibatch[index][3]elif batch_next_state is not None:batch_next_state = np.vstack((batch_next_state, minibatch[index][3]))if batch_done is None:batch_done = minibatch[index][4]elif batch_done is not None:batch_done = np.vstack((batch_done, minibatch[index][4]))# q_next:下一个状态的 Q 值。q_next = self.session.run([self.q_eval], feed_dict={self.q_eval_input: batch_next_state})q_target = []for i in range(len(minibatch)):# 当前即时得分。current_reward = batch_reward[i][0]# # 游戏是否结束。# current_done = batch_done[i][0]# 更新 Q 值。q_value = current_reward + self.gamma * np.max(q_next[0][i])# 当得分小于 0 时,表示走了不可走的位置。if current_reward < 0:q_target.append(current_reward)else:q_target.append(q_value)_, cost, reward = self.session.run([self.train_op, self.loss, self.reward_action],feed_dict={self.q_eval_input: batch_state,self.action_input: batch_action,self.q_target: q_target})self.cost_his.append(cost)# if self.step_index % 1000 == 0:#     print("loss:", cost)self.learn_step_counter += 1def train(self):"""训练。:return:"""# 初始化当前状态。current_state = np.random.randint(0, self.action_num - 1)self.epsilon = self.INITIAL_EPSILONwhile True:# 选择动作。action = self.select_action(current_state)# 执行动作,得到:下一个状态,执行动作的得分,是否结束。next_state, reward, done = self.step(current_state, action)# 保存记忆。self.save_store(current_state, action, reward, next_state, done)# 先观察一段时间累积足够的记忆在进行训练。if self.step_index > self.OBSERVE:self.experience_replay()if self.step_index > 10000:breakif done:current_state = np.random.randint(0, self.action_num - 1)else:current_state = next_stateself.step_index += 1def pay(self):"""运行并测试。:return:"""self.train()# 显示 R 矩阵。print(self.r)for index in range(5):start_room = indexprint("#############################", "Agent 在", start_room, "开始行动", "#############################")current_state = start_roomstep = 0target_state = 5while current_state != target_state:out_result = self.session.run(self.q_eval, feed_dict={self.q_eval_input: self.state_list[current_state:current_state + 1]})next_state = np.argmax(out_result[0])print("Agent 由", current_state, "号房间移动到了", next_state, "号房间")current_state = next_statestep += 1print("Agent 在", start_room, "号房间开始移动了", step, "步到达了目标房间 5")print("#############################", "Agent 在", 5, "结束行动", "#############################")if __name__ == "__main__":q_network = DeepQNetwork()q_network.pay()

这个DQN实现是一个简化的版本,简单介绍一下。在实际应用中,可能需要对网络结构、训练过程和超参数进行调整和优化。此外,代码中的 r 矩阵定义了状态转移和奖励,这是一个特定于问题的矩阵,需要根据具体问题进行设计

以上就算关于DQN的简单介绍.感谢你的阅读.

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.luyixian.cn/news_show_1052825.aspx

如若内容造成侵权/违法违规/事实不符,请联系dt猫网进行投诉反馈email:809451989@qq.com,一经查实,立即删除!

相关文章

EpicDesigner编辑器的源码修改和扩展“数据库”进行数据库字段设置

项目介绍&#xff1a; EpicDesigner是一个功能强大、开箱即用的拖拽式低代码设计器。它基于 Vue3 开发&#xff0c;兼容多套 UI 组件库&#xff0c;除了基础的页面设计功能&#xff0c;EDesigner 还提供了强大的扩展功能&#xff0c;可以让开发者根据自己的需求自由扩展和定制…

颜色空间的选择

1.选择Gamma颜色空间&#xff0c;Web平台或者不支持线性空间&#xff0c;或者追求高饱和度的 2.选择Linear&#xff0c;追求真实光照和物理准确

亚信安慧AntDB数据库采集技术创新:ACC从Java到Go的转型之路

传统的指标采集方法通常使用一些命令行工具&#xff0c;如top、free等来获取系统的性能数据。然而&#xff0c;这种方法存在一些缺点。首先&#xff0c;这些命令行工具输出的数据格式通常是文本形式&#xff0c;需要进行解析和处理才能得到有用的信息&#xff0c;这增加了开发者…

Vulnhub - AI-WEB-1.0靶机教程

目录 站点信息收集 c段扫描 端口扫描 目录扫描 漏洞利用 使用 burp 抓包 查询数据库名 查询数据库下的表 查询表中的字段名 查询字段中的数据 --os-shell 上传一句话木马 下载地址&#xff1a;https://download.vulnhub.com/aiweb/AI-Web-1.0.7z 我们从站点信息收…

OpenHarmony 实战开发——ArkUI中的线程和看门狗机制

一、前言 本文主要分析ArkUI中涉及的线程和看门狗机制。 二、ArkUI中的线程 应用Ability首次创建界面的流程大致如下&#xff1a; 说明&#xff1a; • AceContainer是一个容器类&#xff0c;由前端、任务执行器、资源管理器、渲染管线、视图等聚合而成&#xff0c;提供了生…

nss做题

[NCTF 2018]签到题 1.f12在index.php中找到flag [NSSCTF 2022 Spring Recruit]ezgame 1.在js源码中就有flag [UUCTF 2022 新生赛]websign 1.打开环境后发现ctrlu和右键&#xff0c;f12都被禁用了。两种方法&#xff0c;第一种&#xff1a;禁用js&#xff1b;第二中提前打开…

亚马逊高效广告打法及数据优化,亚马逊高阶广告打法课

课程下载&#xff1a;https://download.csdn.net/download/m0_66047725/89342733 更多资源下载&#xff1a;关注我。 课程内容&#xff1a; 001.1-亚马逊的广告漏斗和A9算法的升级变化.mp4 002.2-流量入口解析和广告的曝光机制.mp4 003.3-标签理论 .mp4 004.4-不同广告类…

GoldenEye-v1(vulnhub)靶机练习实践报告

GoldenEye-v1****靶机练习实践报告 一、安装靶机 靶机是.ova文件&#xff0c;需要用VirtualBox打开&#xff0c;但我习惯于使用VMWare,因此修改靶机文件&#xff0c;使其适用于VMWare打开。 解压ova文件&#xff0c;得到.ovf文件和.vmdk文件。 用记事本打开.ovf文件并修改“…

预训练大模型

参考代码&#xff1a;https://github.com/LlamaFamily/Llama-Chinese

AI大模型在测试中的深度应用与实践案例

文章目录 1. 示例项目背景2. 环境准备3. 代码实现3.1. 自动生成测试用例3.2. 自动化测试脚本3.3. 性能测试3.4. 结果分析 4. 进一步深入4.1. 集成CI/CD管道4.1.1 Jenkins示例 4.2. 详细的负载测试和性能监控4.2.1 Locust示例 4.3. 测试结果分析与报告 5. 进一步集成和优化5.1. …

excel里如何将数据分组转置?

这个表格怎样转换为下表&#xff1f;按照国家来分组&#xff0c;把不同年份对应的不同序列值进行转置&#xff1f;&#xff1f; 这演示用数据透视表就完成这个数据转换。 1.创建数据透视表 选中数据中任意单元格&#xff0c;点击插入选项卡&#xff0c;数据透视表&#xff0c;…

【数学建模】碎纸片的拼接复原

2013高教社杯全国大学生数学建模竞赛B题 问题一模型一模型二条件设立思路 问题求解 问题一 已知 d i d_i di​为第 i i i张图片图片的像素矩阵 已知 d i d_i di​都是 n ∗ m n*m n∗m二维矩阵 假设有 N N N张图片 模型一 我们认为对应位置像素匹配为 d i [ j ] [ 1 ] d k…

clocking wizard IP核通过AXI4-Lite接口实现动态重新配置应用实例

在最近的FPGA应用中&#xff0c;应用到了基于Zynq 7000的Uart串口设计&#xff0c;为了让串口的时钟更精确&#xff0c;采用了外部时钟模式&#xff0c;如下图所示。外部时钟连接到了Clocking Wizard IP核的输出端。 在串口通信时&#xff0c;发现串口有错码出现。例如&#xf…

leetcode124 二叉树中的最大路径和-dp

题目 二叉树中的 路径 被定义为一条节点序列&#xff0c;序列中每对相邻节点之间都存在一条边。同一个节点在一条路径序列中 至多出现一次 。该路径 至少包含一个 节点&#xff0c;且不一定经过根节点。 路径和 是路径中各节点值的总和。 给你一个二叉树的根节点 root &…

C++模板方法模式

文章目录 1. 定义抽象基类&#xff08;Abstract Class&#xff09;2. 实现具体子类&#xff08;Concrete Class&#xff09;3. 使用模板方法模板方法模式的优点模板方法模式的应用场景注意事项实现示例抽象类&#xff08;模板&#xff09;具体实现类客户端代码 总结 模板方法模…

Elasticsearch (ES) (上万字)详细学习总结

一、认识ES 二、ES相关安装和部署(elasticsearch 、kbana、ik) 这部分的内容可以查看我之前写的Docker常用部署这篇文章 三、Mapping映射 3.1 Mapping映射属性 3.2 索引库操作 3.2.1 遵循Restful规范说明 3.2.2 具体使用方式说明 3.2.3增删改查示例 #创建 PUT /heima {&q…

【Java面试】四、MySQL篇(上)

文章目录 1、定位慢查询2、慢查询的原因分析3、索引3.1 数据结构选用&#xff1a;二叉树 & 红黑树3.2 数据结构选用&#xff1a;B树 4、聚簇索引、非聚簇索引、回表查询4.1 聚簇索引、非聚簇索引4.2 回表查询 5、覆盖索引、超大分页优化5.1 覆盖索引5.2 超大分页处理 6、索…

存储+调优:存储-memcached

存储调优&#xff1a;存储-memcached 什么是memcached? 高性能的分布式内存缓存服务器。通过缓存数据库的查询结果&#xff0c;减少数据库访问次数&#xff0c;以提高动态Web应用的速度、提高可扩展性。 在memcached中存什么&#xff1f; 尽快被保存 访问频率高 1.数据保…

【Unity】Unity项目转抖音小游戏(三)资源分包,抖音云CDN

业务需求&#xff0c;开始接触一下抖音小游戏相关的内容&#xff0c;开发过程中记录一下流程。 使用资源分包可以优化游戏启动速度&#xff0c;是抖音小游戏推荐的一种方式&#xff0c;抖音云也提供存放资源的CDN服务 抖音云官方文档&#xff1a;https://developer.open-douyi…

R可视化:另类的箱线图

介绍 方格状态的箱线图 加载R包 knitr::opts_chunk$set(echo TRUE, message FALSE, warning FALSE) library(patternplot) library(png) library(ggplot2) library(gridExtra)rm(list ls()) options(stringsAsFactors F)导入数据 data <- read.csv(system.file(&qu…