《表2 变量离散化取值：基于贝叶斯网络对全国PM_(2.5)浓度影响因素分析》
提示：宽带有限、当前游客访问压缩模式
本系列图表出处文件名：随高清版一同展现
《基于贝叶斯网络对全国PM_(2.5)浓度影响因素分析》
离散化后的结果如表2所示。
| 图表编号 | XD00147940800 严禁用于非法目的 |
|---|---|
| 绘制时间 | 2020.08.08 |
| 作者 | 李超群 |
| 绘制单位 | 上海海事大学 |
| 更多格式 | 高清、无水印（增值服务） |
提示：宽带有限、当前游客访问压缩模式
相关图表
- 《表1 不同算法测量结果：基于二向注意力循环神经网络的PM_(2.5)浓度预测》2020.12.25
- 《表1 特征数据集变量：耦合遗传算法与RBF神经网络的PM_(2.5)浓度预测模型》2020.02.20
- 《表1 变量聚类中心：基于贝叶斯网络对全国PM_(2.5)浓度影响因素分析》2020.08.08
- 《表6 混淆矩阵：基于贝叶斯网络对全国PM_(2.5)浓度影响因素分析》2020.08.08
- 《表2 多元回归分析：城市街区形态对PM_(10)、PM_(2.5)的影响研究——以武汉为例》2020.03.10
- 《表5：模型选择：河北省城市空气污染物对PM_(2.5)浓度值是否有影响——基于城市空气质量数据的面板分位数回归分析》2020.01.20
- 《表4：面板单位根检验：河北省城市空气污染物对PM_(2.5)浓度值是否有影响——基于城市空气质量数据的面板分位数回归分析》2020.01.20
- 《表3：变量的描述统计：河北省城市空气污染物对PM_(2.5)浓度值是否有影响——基于城市空气质量数据的面板分位数回归分析》2020.01.20
- 《表1：监测站点一览表：河北省城市空气污染物对PM_(2.5)浓度值是否有影响——基于城市空气质量数据的面板分位数回归分析》2020.01.20
- 《表6：回归结果：河北省城市空气污染物对PM_(2.5)浓度值是否有影响——基于城市空气质量数据的面板分位数回归分析》2020.01.20
- 《表4 各算法效果对比：基于Stacking的地面PM_(2.5)浓度估算》2020.02.01
- 《表2 WRF参数化方案：基于模型模拟的成都市PM_(2.5)污染来源解析》2020.01.15
- 《表2 GWR模型设置：基于地理神经网络加权回归的中国PM_(2.5)浓度空间分布估算方法》2020.01.25
- 《表2 参数取值：基于贝叶斯网络的路网地震可靠性评估》2019.08.01
- 《表4 影响因素排序结果：贝叶斯正则化BP神经网络在地铁施工安全评价中的应用》2019.08.01
- 《表1 变量及其描述：长三角城市土地利用格局与PM_(2.5)浓度的多尺度关联分析》
- 《表1 外观的条件概率：基于评论数据的品牌笔记本客户满意度影响因素贝叶斯网络分析》2019.04.28
- 《表1 信效度分析：城市居民PM_(2.5)减排行为影响因素及应对策略研究》2019.02.01
- 《表1 预测模型输入变量：基于BP神经网络预测林内PM_(2.5)浓度》2019.01.08
- 《表1 指标描述统计：基于分位回归兰州市PM_(2.5)影响因素分析》2018.12.20