Ein Log-Log-Diagramm ist ein Diagramm, das sowohl auf der x-Achse als auch auf der y-Achse logarithmische Skalen verwendet.
Diese Art von Diagramm ist nützlich, um zwei Variablen zu visualisieren, wenn …
Ein Doppelbalkendiagramm ist nützlich, um zwei Datensätze in einem Diagramm zu visualisieren.
Das folgende Schritt-für-Schritt-Beispiel zeigt, wie Sie in Google Tabellen ein Doppelbalkendiagramm erstellen.
Lassen Sie uns zunächst die Werte für das folgende Dataset eingeben:
Um ein Doppelbalkendiagramm für diesen Datensatz zu erstellen, können wir zunächst die Werte im Bereich A1:C6 hervorheben. Klicken Sie dann auf die Registerkarte Einfügen und dann auf Diagramm:
Das folgende Doppelbalkendiagramm wird angezeigt:
Die x-Achse zeigt die verschiedenen Metriken und die y-Achse zeigt die Werte dieser Metriken für Team 1 und Team 2.
Um das Diagramm anzupassen, klicken Sie zuerst auf eine beliebige Stelle im Diagramm. Klicken Sie dann auf die drei vertikalen Punkte in der oberen rechten Ecke. Klicken Sie dann auf Diagramm bearbeiten:
Klicken Sie im Bereich Diagrammeditor, der auf der rechten Seite des Bildschirms angezeigt wird, auf die Registerkarte Anpassen, um eine Vielzahl von Optionen zum Anpassen der Darstellung des Diagramms anzuzeigen:
Beispielsweise können wir den Diagrammtitel, die Farben der Balken und die Position der Legende ändern:
Fühlen Sie sich frei, das Diagramm nach Belieben zu ändern, damit es für Ihre spezielle Situation am besten aussieht.
In den folgenden Tutorials wird erläutert, wie Sie andere gängige Diagramme in Google Tabellen erstellen:
So erstellen Sie einen Boxplot in Google Sheets
So erstellen Sie ein Blasendiagramm in Google Sheets
So erstellen Sie ein Pareto-Diagramm in Google Tabellen
So erstellen Sie ein Kreisdiagramm in Google Sheets
Ein Log-Log-Diagramm ist ein Diagramm, das sowohl auf der x-Achse als auch auf der y-Achse logarithmische Skalen verwendet.
Diese Art von Diagramm ist nützlich, um zwei Variablen zu visualisieren, wenn …
Bei der Verwendung von Klassifizierungsmodellen beim maschinellen Lernen verwenden wir häufig zwei Metriken, um die Qualität des Modells zu bewerten, nämlich Präzision und Erinnerung.
Precision: Korrigieren Sie positive Vorhersagen im …