热门标签 | HotTags
当前位置:  开发笔记 > 人工智能 > 正文

Latex中的插入表格

导言好久没用Latex了,所以一用的时候就出问题了,在不赶deadline的时候先总结好,用的时候直接ctrlc,要是你也

导言

好久没用Latex了,所以一用的时候就出问题了,在不赶deadline的时候先总结好,用的时候直接ctrl+c,要是你也需要,欢迎参考,不针对没有Latex基础的小伙伴,所以不打算写的很细致。

这篇是持续更新的

 


1.带小数点的表格怎么做

 

\documentclass{article}\begin{document}\begin{tabular}{|c|r@{.}l|}\hlineincome & 12345&60 \\ \hlinespending & 765&40 \\ \hlineleft & 89&09 \\ \hline
\end{tabular}•\end{document}


效果

 

 


1.1多行都是小数的表格

 

\begin{array}{|c|*{3}{r@{.}l|}}
\hline
income & 1345&67 & 500&34 & 7654&43 \\ \hline
spending & 1020&55 & 1929&2 & 9870&89 \\ \hline
left & 11580&33 & 234&56 & 3767&09 \\ \hline
\end{array}


 

 

 

 

 


2.增广矩阵的编排

 

$\left(
\begin{array}{@{}ccc|c@{}}
a11 & a12 & a13 & b1 \\
a21 & a22 & a23 & b2 \\
a31 & a32 & a33 & b3
\end{array}
\right)$


 

 

 

 


3.表格的合并分割

\multicolumn{项数(占用的列数)}{格式}{内容}

 

\begin{tabular}{|c|c|c|}\hline& \multicolumn{2}{c|}{SVM} \\ \cline{2-3}class & TP & FP \\ \hlineclass1 & * & * \\ \hlineclass2 & * & * \\ \hline
\end{tabular}•


 

 

 

这里要解释一下,这个说明SVM这个占用了两列,所以就是\multicolumn{2}如果某个选项占用了3列,则在后面写个{3},注意后面的那个由于是两个列合并的,所以其实是cc-》C所以为了保证右边有线,你要这么写{C|}.之后的\cline和\hline是一个的效果。如果你使用\hline那么它会把class这边也穿过去的。所以我们需要划线的地方是第2-3列\cline它这里就是指明了范围。第2-3列,注意,这里永远考虑的对象是针对我们的变换的那个列(这里SVM)

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 


推荐阅读
  • 毕业设计:基于机器学习与深度学习的垃圾邮件(短信)分类算法实现
    本文详细介绍了如何使用机器学习和深度学习技术对垃圾邮件和短信进行分类。内容涵盖从数据集介绍、预处理、特征提取到模型训练与评估的完整流程,并提供了具体的代码示例和实验结果。 ... [详细]
  • 本文详细介绍如何在VSCode中配置自定义代码片段,使其具备与IDEA相似的代码生成快捷键功能。通过具体的Java和HTML代码片段示例,展示配置步骤及效果。 ... [详细]
  • 纵坐标|据点_菜菜的sklearn课堂笔记支持向量机线性SVM决策过程的可视化
    纵坐标|据点_菜菜的sklearn课堂笔记支持向量机线性SVM决策过程的可视化 ... [详细]
  • AI炼金术:KNN分类器的构建与应用
    本文介绍了如何使用Python及其相关库(如NumPy、scikit-learn和matplotlib)构建KNN分类器模型。通过详细的数据准备、模型训练及新样本预测的过程,展示KNN算法的实际操作步骤。 ... [详细]
  • 机器学习算法:SVM(支持向量机)
    SVM算法(SupportVectorMachine,支持向量机)的核心思想有2点:1、如果数据线性可分,那么基于最大间隔的方式来确定超平面,以确保全局最优, ... [详细]
  • 本文介绍如何使用OpenCV和线性支持向量机(SVM)模型来开发一个简单的人脸识别系统,特别关注在只有一个用户数据集时的处理方法。 ... [详细]
  • 在机器学习领域,深入探讨了概率论与数理统计的基础知识,特别是这些理论在数据挖掘中的应用。文章重点分析了偏差(Bias)与方差(Variance)之间的平衡问题,强调了方差反映了不同训练模型之间的差异,例如在K折交叉验证中,不同模型之间的性能差异显著。此外,还讨论了如何通过优化模型选择和参数调整来有效控制这一平衡,以提高模型的泛化能力。 ... [详细]
  • 支持向量机(SVM)在机器学习中的应用与学习心得
    支持向量机(SVM)是一种高效的二分类模型,其核心目标是通过寻找最优超平面来区分不同类别的数据点。在实际应用中,SVM能够有效地处理高维数据,并通过核技巧扩展到非线性分类问题。当新的数据点输入时,SVM会根据其相对于超平面的位置来判定其所属类别。训练过程中,SVM通过最大化间隔来确定最优超平面,从而提高模型的泛化能力。本文总结了SVM在机器学习中的应用及其学习心得,探讨了其在实际问题中的优势和局限性。 ... [详细]
  • 在VMware虚拟机中正确安装和配置VMware Tools是提升系统性能和扩展功能的关键步骤。首先,通过虚拟机菜单选择“VM”选项,然后点击“Install VMware Tools”。接下来,在终端中执行命令 `cd ~` 和 `cp /media/VMware\ Tools/VMwareTools-*.tar.gz .`,解压文件并按照提示完成安装过程。这将确保虚拟机与主机之间的高效交互,提高资源利用率和用户体验。 ... [详细]
  • 探索学习曲线函数的深度解析与应用 ... [详细]
  • 如何选择机器学习方法http:scikit-learn.orgstabletutorialmachine_learning_mapindex.html通用学习模式只需要先定义 ... [详细]
  •     目标检测是计算机视觉一个非常重要的子任务。目标检测需要发现并准确定位自然图片中的物体。在2012年之前,目标检测主要基于手工设计的特征以及传统分类器。2012年以后,出现了 ... [详细]
  • 深度学习: 目标函数
    Introduction目标函数是深度学习之心,是模型训练的发动机。目标函数(objectfunction)损失函数(lossfunction)代价函数(costfunction) ... [详细]
  • vmware workstation14嵌套安装kvm
    vmware workstation14嵌套安装kvm ... [详细]
  • 分隔超平面:将数据集分割开来的直线叫做分隔超平面。超平面:如果数据集是N维的,那么就需要N-1维的某对象来对数据进行分割。该对象叫做超平面,也就是分类的决策边界。间隔:一个点 ... [详细]
author-avatar
花神
这个家伙很懒,什么也没留下!
PHP1.CN | 中国最专业的PHP中文社区 | DevBox开发工具箱 | json解析格式化 |PHP资讯 | PHP教程 | 数据库技术 | 服务器技术 | 前端开发技术 | PHP框架 | 开发工具 | 在线工具
Copyright © 1998 - 2020 PHP1.CN. All Rights Reserved | 京公网安备 11010802041100号 | 京ICP备19059560号-4 | PHP1.CN 第一PHP社区 版权所有