可以的。 python利用matplotlib這個庫，先定義一個空圖層，然后聲明x,y,z的值，x，y,z賦相應的列的值，最后建立標簽，標題即可。最后，excel安裝運行python的插件，運行python。
為稱多等地區(qū)用戶提供了全套網(wǎng)頁設計制作服務，及稱多網(wǎng)站建設行業(yè)解決方案。主營業(yè)務為成都做網(wǎng)站、網(wǎng)站設計、外貿營銷網(wǎng)站建設、稱多網(wǎng)站設計，以傳統(tǒng)方式定制建設網(wǎng)站，并提供域名空間備案等一條龍服務，秉承以專業(yè)、用心的態(tài)度為用戶提供真誠的服務。我們深信只要達到每一位用戶的要求，就會得到認可，從而選擇與我們長期合作。這樣，我們也可以走得更遠！
平滑函數(shù)。
交叉熵損失函數(shù)，也稱為對數(shù)損失或者logistic損失。當模型產(chǎn)生了預測值之后，將對類別的預測概率與真實值（由0或1組成）進行不比較，計算所產(chǎn)生的損失，然后基于此損失設置對數(shù)形式的懲罰項。
在神經(jīng)網(wǎng)絡中，所使用的Softmax函數(shù)是連續(xù)可導函數(shù)，這使得可以計算出損失函數(shù)相對于神經(jīng)網(wǎng)絡中每個權重的導數(shù)（在《機器學習數(shù)學基礎》中有對此的完整推導過程和案例，這樣就可以相應地調整模型的權重以最小化損失函數(shù)。
擴展資料：
注意事項：
當預測類別為二分類時，交叉熵損失函數(shù)的計算公式如下圖，其中y是真實類別（值為0或1），p是預測類別的概率（值為0~1之間的小數(shù)）。
計算二分類的交叉熵損失函數(shù)的python代碼如下圖，其中esp是一個極小值，第五行代碼clip的目的是保證預測概率的值在0~1之間，輸出的損失值數(shù)組求和后，就是損失函數(shù)最后的返回值。
參考資料來源：百度百科-交叉熵
參考資料來源：百度百科-損失函數(shù)
正則化（Regularization）
機器學習中幾乎都可以看到損失函數(shù)后面會添加一個額外項，常用的額外項一般有兩種，一般英文稱作 ?1-norm 和 ?2-norm ，中文稱作 L1正則化 和 L2正則化 ，或者 L1范數(shù) 和 L2范數(shù) 。
L1正則化和L2正則化可以看做是損失函數(shù)的懲罰項。所謂『懲罰』是指對損失函數(shù)中的某些參數(shù)做一些限制。對于線性回歸模型，使用L1正則化的模型建叫做Lasso回歸，使用L2正則化的模型叫做Ridge回歸（嶺回歸）。下圖是Python中Lasso回歸的損失函數(shù)，式中加號后面一項α||w||1即為L1正則化項。
下圖是Python中Ridge回歸的損失函數(shù)，式中加號后面一項α||w||22即為L2正則化項。
一般回歸分析中回歸w表示特征的系數(shù)，從上式可以看到正則化項是對系數(shù)做了處理（限制）。 L1正則化和L2正則化的說明如下：
L1正則化是指權值向量w中各個元素的 絕對值之和 ，通常表示為||w||1
L2正則化是指權值向量w中各個元素的 平方和然后再求平方根 （可以看到Ridge回歸的L2正則化項有平方符號），通常表示為||w||2
一般都會在正則化項之前添加一個系數(shù)，Python中用α表示，一些文章也用λ表示。這個系數(shù)需要用戶指定。
那添加L1和L2正則化有什么用？ 下面是L1正則化和L2正則化的作用 ，這些表述可以在很多文章中找到。
L1正則化可以產(chǎn)生稀疏權值矩陣，即產(chǎn)生一個稀疏模型，可以用于特征選擇
L2正則化可以防止模型過擬合（overfitting）；一定程度上，L1也可以防止過擬合
稀疏模型與特征選擇
上面提到L1正則化有助于生成一個稀疏權值矩陣，進而可以用于特征選擇。為什么要生成一個稀疏矩陣？
稀疏矩陣指的是很多元素為0，只有少數(shù)元素是非零值的矩陣，即得到的線性回歸模型的大部分系數(shù)都是0.
通常機器學習中特征數(shù)量很多，例如文本處理時，如果將一個詞組（term）作為一個特征，那么特征數(shù)量會達到上萬個（bigram）。在預測或分類時，那么多特征顯然難以選擇，但是如果代入這些特征得到的模型是一個稀疏模型，表示只有少數(shù)特征對這個模型有貢獻，絕大部分特征是沒有貢獻的，或者貢獻微小（因為它們前面的系數(shù)是0或者是很小的值，即使去掉對模型也沒有什么影響），此時我們就可以只關注系數(shù)是非零值的特征。這就是稀疏模型與特征選擇的關系。
L1和L2正則化的直觀理解
這部分內容將解釋 為什么L1正則化可以產(chǎn)生稀疏模型（L1是怎么讓系數(shù)等于零的） ，以及 為什么L2正則化可以防止過擬合 。
L1正則化和特征選擇
假設有如下帶L1正則化的損失函數(shù)：
J=J0+α∑w|w|(1)
其中J0是原始的損失函數(shù)，加號后面的一項是L1正則化項，α是正則化系數(shù)。注意到L1正則化是權值的 絕對值之和 ，J是帶有絕對值符號的函數(shù)，因此J是不完全可微的。機器學習的任務就是要通過一些方法（比如梯度下降）求出損失函數(shù)的最小值。當我們在原始損失函數(shù)J0后添加L1正則化項時，相當于對J0做了一個約束。令L=α∑w|w|，則J=J0+L，此時我們的任務變成 在L約束下求出J0取最小值的解 ?？紤]二維的情況，即只有兩個權值w1和w2，此時L=|w1|+|w2|對于梯度下降法，求解J0的過程可以畫出等值線，同時L1正則化的函數(shù)L也可以在w1w2的二維平面上畫出來。如下圖：
圖1? L1正則化
圖中等值線是J0的等值線，黑色方形是L函數(shù)的圖形。在圖中，當J0等值線與L圖形首次相交的地方就是最優(yōu)解。上圖中J0與L在L的一個頂點處相交，這個頂點就是最優(yōu)解。注意到這個頂點的值是(w1,w2)=(0,w)。可以直觀想象，因為L函數(shù)有很多『突出的角』（二維情況下四個，多維情況下更多），J0與這些角接觸的機率會遠大于與L其它部位接觸的機率，而在這些角上，會有很多權值等于0，這就是為什么L1正則化可以產(chǎn)生稀疏模型，進而可以用于特征選擇。
而正則化前面的系數(shù)α，可以控制L圖形的大小。α越小，L的圖形越大（上圖中的黑色方框）；α越大，L的圖形就越小，可以小到黑色方框只超出原點范圍一點點，這是最優(yōu)點的值(w1,w2)=(0,w)中的w可以取到很小的值。
類似，假設有如下帶L2正則化的損失函數(shù)：
J=J0+α∑ww2(2)
同樣可以畫出他們在二維平面上的圖形，如下：
圖2? L2正則化
二維平面下L2正則化的函數(shù)圖形是個圓，與方形相比，被磨去了棱角。因此J0與L相交時使得w1或w2等于零的機率小了許多，這就是為什么L2正則化不具有稀疏性的原因。
L2正則化和過擬合
擬合過程中通常都傾向于讓權值盡可能小，最后構造一個所有參數(shù)都比較小的模型。因為一般認為參數(shù)值小的模型比較簡單，能適應不同的數(shù)據(jù)集，也在一定程度上避免了過擬合現(xiàn)象。可以設想一下對于一個線性回歸方程，若參數(shù)很大，那么只要數(shù)據(jù)偏移一點點，就會對結果造成很大的影響；但如果參數(shù)足夠小，數(shù)據(jù)偏移得多一點也不會對結果造成什么影響，專業(yè)一點的說法是『抗擾動能力強』。
那為什么L2正則化可以獲得值很小的參數(shù)？
以線性回歸中的梯度下降法為例。假設要求的參數(shù)為θ，hθ(x)是我們的假設函數(shù)，那么線性回歸的代價函數(shù)如下：
J(θ)=12m∑i=1m(hθ(x(i))?y(i))(3)
那么在梯度下降法中，最終用于迭代計算參數(shù)θ的迭代式為：
θj:=θj?α1m∑i=1m(hθ(x(i))?y(i))x(i)j(4)
其中α是learning rate. 上式是沒有添加L2正則化項的迭代公式，如果在原始代價函數(shù)之后添加L2正則化，則迭代公式會變成下面的樣子：
θj:=θj(1?αλm)?α1m∑i=1m(hθ(x(i))?y(i))x(i)j(5)
其中 λ就是正則化參數(shù) 。從上式可以看到，與未添加L2正則化的迭代公式相比，每一次迭代，θj都要先乘以一個小于1的因子，從而使得θj不斷減小，因此總得來看，θ是不斷減小的。
最開始也提到L1正則化一定程度上也可以防止過擬合。之前做了解釋，當L1的正則化系數(shù)很小時，得到的最優(yōu)解會很小，可以達到和L2正則化類似的效果。
正則化參數(shù)的選擇
L1正則化參數(shù)
通常越大的λ可以讓代價函數(shù)在參數(shù)為0時取到最小值。下面是一個簡單的例子，這個例子來自 Quora上的問答 。為了方便敘述，一些符號跟這篇帖子的符號保持一致。
假設有如下帶L1正則化項的代價函數(shù)：
F(x)=f(x)+λ||x||1
其中x是要估計的參數(shù)，相當于上文中提到的w以及θ. 注意到L1正則化在某些位置是不可導的，當λ足夠大時可以使得F(x)在x=0時取到最小值。如下圖：
圖3 L1正則化參數(shù)的選擇
分別取λ=0.5和λ=2，可以看到越大的λ越容易使F(x)在x=0時取到最小值。
L2正則化參數(shù)
從公式5可以看到，λ越大，θj衰減得越快。另一個理解可以參考圖2，λ越大，L2圓的半徑越小，最后求得代價函數(shù)最值時各參數(shù)也會變得很小。
Reference
過擬合的解釋：
正則化的解釋：
正則化的解釋：
正則化的數(shù)學解釋（一些圖來源于這里）：
原文參考：blog.csdn.net/jinping_shi/article/details/52433975
你可以使用Matlab，或者Matplotlib（一個著名的python繪圖包，強烈建議）。
Matplotlib: Python可視化
Matplotlib是一個用Python創(chuàng)建靜態(tài)、動畫和交互式可視化的綜合性庫。Matplotlib讓簡單的事情變得簡單，讓困難的事情成為可能。
1. 創(chuàng)建出版質量圖。
2. 制作可以縮放、平移、更新的交互式圖形。
3. 自定義視覺樣式和布局。
4. 導出到許多文件格式。
5. 嵌入JupyterLab和圖形用戶界面。
6. 使用構建在Matplotlib上的第三方包的豐富數(shù)組。
matplotlib參考官網(wǎng)，以及用法
有任何疑問歡迎回復！！
重慶分公司
重慶分公司
