国内免费Ai最新体验+评分

🕗 发布于 2024-07-06 20:49 人工智能

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
CodeGeeX–智能编程助手——放在这里给大家推荐一手
AMiner
学术论文检索平台

测试1-画图测试 ⭐⭐⭐⭐

画一头猪
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

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

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

原文地址：https://blog.csdn.net/wh52013141314/article/details/140210471

免责声明：本站文章内容转载自网络资源，如本站内容侵犯了原著者的合法权益，可联系本站删除。更多内容请关注自学内容网（zxcms.com）！

上一篇：Linux进程信号
下一篇：【恒源智享云】建立会话，后台运行实例

FPGA时序分析和约束学习笔记（2、FPGA时序传输模型）
Tsu建立时间：目的寄存器自身的特性决定，在时钟上升沿到达其时钟接口时，其数据输入端（D）的数据必须提前Nns稳定下来，否则就无法确保数据正确存储。Skew时钟偏斜：时钟从源端口出发，到达目的寄存器和
阅读更多2024-10-06
打卡第一天 B2005 字符三角形
【代码】打卡第一天 B2005 字符三角形。
阅读更多2024-10-06
IEC104规约的秘密之六----配置参数k，w
w是通讯前就已经配置好的一个固定值，范围是1~32767，表示收到对方w帧后就必须给对方一个应答了，表示这些帧我已经收到了，如果不给对方应答，对方会认为自己发的这些帧没有收到，后续可以采用其他机制来让
阅读更多2024-10-06
算法闭关修炼百题计划（二）
给你一个整数数组 nums，返回数组 answer ，其中 answer[i] 等于 nums 中除 nums[i] 之外其余各元素的乘积。根据这一点，用哈希表分组，把排序后的字符串当做key，原字
阅读更多2024-10-06
C# 数组和集合
数组是具有相同数据类型的一组数据的集合。数组中的每一个变量称为数组的元素，数组能够容纳元素的数量称为数组的长度。
阅读更多2024-10-06
UE5 小地图的基础方法
UE5 平面小地图的基础方法，后续继续添加
阅读更多2024-10-06
第33次CCF计算机软件能力认证【T1~T3】：词频统计、相似度计算、化学方程式配平
CCF计算机软件能力认证，前三题包括大模拟、高斯消元、枚举等操作
阅读更多2024-10-06
洛谷刷题 P1042 [NOIP2003 普及组] 乒乓球
接着我们对二维数据循环访问处理数据，对11制和21制一轮结束情况做讨论，注意if，else if的使用（是并行情况还是多选一情况）那么数据存储我们可以用C++的vector<char>，或
阅读更多2024-10-06
spring boot发送邮件
spring boot整合mail发送邮件
阅读更多2024-10-06
银行数字化转型导师坚鹏：2025年银行开门红蓄客方法及案例
银行营销、运营、数字化营销、数字化运营、网点负责人、中高层干部等相关人员。3、第三个难题：银行需要做哪些准备工作？4、第四个难题：如何抛开疑虑、放手去做？1、第一个难题：银行锁定哪些目标客户？2
阅读更多2024-10-06

国内免费Ai最新体验+评分

1.智谱AI - ChatGLM

测试1-画图测试 ⭐⭐⭐⭐

测试2-数据分析 ⭐⭐⭐⭐

测试3-语言测试 ⭐⭐

2.通义千问

测试1-画图 ⭐

测试2-数据处理 ⭐

测试3-语言测试 ⭐⭐⭐

3. 讯飞大模型

测试1- 画图 ⭐

测试2-计算 ！！！ ⭐⭐⭐⭐⭐我直接复制Ai答案

测试3-语言测试 ⭐⭐⭐

3. 字节-豆包

测试1-绘图 ⭐⭐⭐

测试2-数据运算 ⭐

测试3-语言 ⭐

百度-文心一言

腾讯-混元

华为-盘古

相关文章

测试2-计算！！！ ⭐⭐⭐⭐⭐我直接复制Ai答案