对于宏基笔记本4750zg最新报价【综合评测】感兴趣的读者，本文将会是一篇不错的选择，我们将详细介绍宏基4750g笔记本怎么样，并为您提供关于sonyea28综合评测与最新市场报价、【综合评价方法】常

对于宏基笔记本4750zg最新报价【综合评测】感兴趣的读者，本文将会是一篇不错的选择，我们将详细介绍宏基4750g笔记本怎么样，并为您提供关于sonyea28综合评测与最新市场报价、【综合评价方法】常见综合评价方法及其实现、宏基4720zg的报价以及评测、宏基4738g笔记本怎么样？宏基4738g笔记本性能配置如何的有用信息。

• 宏基笔记本4750zg最新报价【综合评测】（宏基4750g笔记本怎么样）
• sonyea28综合评测与最新市场报价
• 【综合评价方法】常见综合评价方法及其实现
• 宏基4720zg的报价以及评测
• 宏基4738g笔记本怎么样？宏基4738g笔记本性能配置如何

宏基笔记本4750zg最新报价【综合评测】（宏基4750g笔记本怎么样）

宏基品牌的 笔记本电脑 ，一直在国内都备受不同年龄段消费者群体的欢迎。不管是性能还是品质，都在业内有着良好的口碑，宏基品牌的笔记本电脑在市场占有率排行第二，推出了多款经典产品。宏基笔记本4750zg的推出，仍旧获得了不少消费群体的青睐，下面我们就一起来简单了解一下宏基笔记本4750zg的最新报价以及综合评测。

产品品牌：宏基

产品型号：4750zg

市场参考价格：800-1000元

宏基笔记本4750zg采用了独特的凹刻纹理和暗光漾彩涂膜，有效防止刮痕和指纹。配置上采用英特尔奔腾双核B940处理器，主频为2.0GHz，配有2GB的DDR3内存和320G硬盘，而拥有1G显存的NVIDIA Geforce GT 520M能保证图形性能。

外观方面，宏基笔记本4750zg采用了经典的午夜黑色系，雕琢着井然有序的纹理，泛着金属的光泽，稳重中彰显时尚的魅力。主流的14英寸屏幕，屏幕比例达16:9，屏幕的分辨率为1366×768，成像效果极佳。采用的是LED背光技术。外形大小为342×245×25.5，重达2.2KG。

配置方面，宏基笔记本4750zg搭载了英特尔奔腾双核B940处理器，核心频率为2GHz，标配2GB DDR3内存，硬盘为320G的SATA硬盘，1G显存的NVIDIA Geforce GT 520M独立显卡， DVD 刻录机，1000Mbps以太网卡，无线网卡，5合1读卡器，HDMI高清接口，集成130万像素摄像头。

宏基作为全球前三大个人电脑品牌，Acer宏碁重视产品的售后服务品质，通过不断完善售后服务体系，加强产品售后服务保障，提高服务时效与便利。 透过遍布全国的服务网络，Acer为用户提供专业、及时、贴心的服务与支持，受到了用户及媒体的好评，从2007年开始， Acer连续三年荣获《电脑报》“最佳服务品牌”的荣誉称号。宏基笔记本4750zg是一款入 门 级的笔记本，配置英特尔奔腾双核B940处理器，标配有2G内存和320G硬盘，拥有1G显存的NVIDIA Geforce GT 520M独立显卡，能够应付网络游戏的需求

通过上面的简单介绍，我们可以对宏基笔记本4750zg这款产品有着初步的了解，不得不说，作为前几年的经典款式，这款笔记本电脑具备了相当良好的性能，现在的市场价格也十分低廉，仅仅千元左右的价格就可以将这样一款性能出色、功能多元化的笔记本电脑收入囊中，作为大学生一族，它可以说是最佳选择。

sonyea28综合评测与最新市场报价

索尼品牌的笔记本，一直以来在市场份额当中都比较出众，sonyea28的推出，可以说是给了众多索尼品牌粉丝们一个惊喜，一贯精美时尚的外观造型，整体上采用了丰富的色彩，带着点状花纹。另外，加上较强劲的配置，这款 笔记本电脑 从推出市场就朝着时尚都市女性而去。虽然上市已经有了一段时间，但是这款sonyea28的最新市场报价以及相关性能评测，仍旧引起了大家的高度关注，下面我们就来简单的了解一下。(价格来源网络 ，仅供参考)

产品品牌：索尼

产品型号：ea28

市场参考价格：3699元

在过去的很多年中，索尼笔记本总是以外观取胜，靠艳丽的色彩来博得女孩子的青睐，不过从今年开始，以VAIO E系列为代表的索尼笔记本却吸引了大批男生的注意，其主要原因就是它将显卡配置大幅提升，从而拥有了优秀的游戏性能，而且价格也比较公道。

目前索尼VAIO E系列旗下有多款机型，比如sonyea28都是14英寸的，EB都是15.6英寸的，在EA当中又有高配版和低配版之分。今天我们为大家推荐的就是高配版的EA28，它采用了酷睿i5处理器和HD 5650中高端独立显卡，而且有多种颜色的可供选择。

sonyea28与之前的CW系列最大的不同就在于其转轴处的设计。sonyea28采用了全下沉式的转轴，另外它的悬浮式掌托也要略薄于CW系列的，所以无论是机身后部还是前端，VAIO E都要比CW系列略薄一些，从而也就进一步提高了整机的便携性。

从机身表面的热量分布来看，EA28很有效地将内部热量转移到了出风口附近，因此左右掌托的温度都在合理的范围内，最高也就在36℃左右。此外我们还注意到，它的内部核心温度也没有超过80℃，从而可以保证高负荷下的运行稳定。

配置上，索尼VPCEA28EC/P(粉)笔记本采用酷睿i5-450M处理器，1GB DDR3显存的ATI mobility Radeon HD 5650独立显卡;标配2GB DDR3内存，500GB硬盘，内置 DVD 刻录光驱;屏幕为14英寸LED背光液晶屏，分辨率1366×768像素，屏幕上边框还内置一枚130万像素摄像头;支持802.11b/g/n无线局域网模块、蓝牙2.1+EDR模块;该机还通过了第三代杜比 家庭影院 认证，拥有索尼Motion Reality高画质优化技术，PMB VAIO Edition新操作界面简单实用，三步创建短片或刻录成光盘。预装Windows 7 Home Basic 64位系统。

粉色一直以来都是女生的专利，在笔记本电脑行业当中，可以看到索尼品牌是唯一运用色彩最为出色的生产厂家，而这款sonyea28的推出，可以说赢得了不少靓女的青睐，还有很多帅哥也买来送给了自己的女朋友，不仅外观上面非常精致时尚，整体性能操作可以满足不同群体的需求，不管你是商务移动办公群体，还是学生娱乐群体，这款sonyea28都可以带给你不一样的娱乐体验。

【综合评价方法】常见综合评价方法及其实现

@TOC

1.数据预处理

1.1 区分指标的属性

1. 正向指标
2. 负向指标
3. 中间型指标
4. 区间型指标

1.2 指标正向化

1.2.1 负向指标

负向指标的正向化方法，又称为指标反转方法，是指将原本反映负面情况的指标转换为反映正面情况的指标，以便于比较及分析。该方法广泛应用于评估指标、市场研究、数据分析等领域。

具体来说，负向指标的正向化方法可以分为以下几个步骤：

1. 确定要进行正向化的指标
2. 确定负向指标需要进行什么样的正向化，常见的方法包括倒数、对数、绝对值等
3. 进行指标正向化的计算公式，根据不同的正向化方法而定
4. 对正向化后的指标进行归一化处理，使其可比较性更强

下面介绍一种负向指标的正向化方法。

对于一组负向指标数据：

$$ y_{1},y_{2},...,y_{n} $$

取出最大值：

$$ y_{max}=\max\left \{ y_{1},y_{2},...,y_{n} \right \} $$

然后利用这个值逐个更新$y_{i}$ ：

$$ y_{i}:=y_{max}-y_{i} $$

1.2.2 中间指标

中间型指标是指指标的值不要太小也不要太大，取某个特定值最好，如水体的ph值最好为7。下面介绍一种中间型指标的正向化方法：

对于一组中间型指标数据：

$$ y_{1},y_{2},...,y_{n} $$

先拟定一个最优值：

$$ y_{best} $$

然后计算这组数据中每个数据到这个最优值的距离,取出最大的那个：

$$ M=\max\left \{ \left | y_{1} -y_{best}\right |, \left | y_{2} -y_{best}\right | , ... , \left | y_{n} -y_{best}\right | \right \} $$

然后利用这个值逐个更新$y_{i}$：

$$ y_{i}:=1-\frac{ \left | y_{i} -y_{best}\right | }{ M } $$

1.2.3 区间指标

区间型指标是指，指标值落在某个区间最好，例如，人的体温在$36^{\circ}C$到$37^{\circ}C$最好。下面介绍一种区间型指标的正向化方法：

对于一组区间型指标数据：

$$ y_{1},y_{2},...,y_{n} $$

先拟定一个最优区间：

$$ \left( a,b \right) $$

取出这组数据的最大值和最小值：

$$ y_{max}=\max\left \{ y_{1},y_{2},...,y_{n} \right \} , y_{min}=\min\left \{ y_{1},y_{2},...,y_{n} \right \} $$

然后计算一个值$M$：

$$ M=\max\left \{ a-y_{min},y_{max}-b \right \} $$

然后用如下公式逐个更新$y_{i}$：

$$ y_{i}:= \left\{\begin{matrix} 1-\frac{a-y_{i}}{a-y_{min}},y_{min} \le y_{i} < a \\ 1,a \le y_{i} \le b \\ 1-\frac{y_{i}-b}{y_{max}-b},b < y_{i} \le y_{max} \end{matrix}\right. $$

用如下这个梯形图表示更为直观：

1.3 标准化

1.3.1 Z-score 标准化

对于样本 $X$ 中的每个特征:

$$ X_{normalized} = \frac{(X - \mu)}{\sigma} $$

其中，$\mu$ 是该特征的平均值，$\sigma$ 是该特征的标准差。

1.3.2 Min-max 标准化

对于样本 $X$ 中的每个特征：

$$ X_{normalized} = \frac{(X - X_{min})}{(X_{max} - X_{min})} $$

其中，$X_{min}$ 是该特征的最小值，$X_{max}$ 是该特征的最大值。

1.3.3 Robust 标准化

对于样本 $X$ 中的每个特征：

$$ X_{normalized} = \frac{(X - median)}{IQR/2} $$

其中，median 是该特征的中位数，IQR 是四分位数范围（即上四分位数和下四分位数之差）。

1.3.4 归一化

对于样本 $X$ 中的每个特征：

$$ X_{normalized} = \frac{X}{\sqrt{\sum_{i=1}^{n}x_i^2}} $$

其中，$n$ 是该样本的特征数量。

2.模糊评价法（主观）(not recommended)

• 适用于未给出指标的评价问题

3.层次分析法（主观）(not recommended)

• 适用于未给出指标的评价问题

4.PCA主成分分析法（客观）

主成分分析法是一种常用的无监督降维技术，它将原始数据投影到一个新的低维度空间中，以便保留数据的最大方差。通过选择适当数量的主成分，我们可以捕捉到数据中最重要的信息，并且减少原始数据的维度。

4.1 步骤

1. 数据正向化、标准化：假设我们有$p$维度的样本数据$\boldsymbol{X}=(\boldsymbol{x}_1, \boldsymbol{x}_2, ..., \boldsymbol{x}_n)$，每一维度的数据均值为0，标准差为1。这一步的目的是为了除去维度间的量纲影响。

$$ \boldsymbol{x}_j'' = \frac{\boldsymbol{x}_j-\bar{\boldsymbol{x}}}{\sigma_j} (j=1,2,...,p) $$

其中，$\bar{\boldsymbol{x}}$是所有样本数据的均值，$\sigma_j$是第$j$维度的标准差。

3. 计算协方差矩阵：计算标准化后数据的协方差矩阵。协方差矩阵描述了不同特征之间的相关性。

   公式：

   $$ \Sigma = \frac{1}{n-1}(X-\bar{X})^T(X-\bar{X}) $$

   其中，$\Sigma$ 是协方差矩阵，$X$ 是标准化后的数据矩阵，$\bar{X}$ 是每个特征的均值，$n$ 是样本数量。

4. 计算特征值和特征向量：对协方差矩阵进行特征值分解，得到特征值和对应的特征向量。特征向量表示了数据在新的特征空间中的方向。
5. 选择主成分：按照特征值的大小对特征向量进行排序，选择前k个特征向量作为主成分。这些主成分对应的特征值较大，包含了较多的原始数据信息。

6. 计算投影：将原始数据投影到选定的主成分上，得到降维后的数据。

   公式：

   $$ Y = X_{\text{std}}W $$

其中，$Y$ 是降维后的数据矩阵，$X_{\text{std}}$ 是标准化后的数据矩阵，$W$ 是前k个特征向量组成的投影矩阵。

7. 可选：重构数据：根据降维后的数据和投影矩阵，可以通过逆变换将数据重新映射到原始空间中。

   公式：

   $$ X_{\text{reconstructed}} = YW^T $$

其中，$X_{\text{reconstructed}}$ 是重构后的数据矩阵。

4.2 实现

>>> import numpy as np
>>> from sklearn.decomposition import PCA

# 输入待降维数据 (5 * 6) 矩阵，6个维度，5个样本值
>>> A = np.array([[84,65,61,72,79,81],[64,77,77,76,55,70],[65,67,63,49,57,67],[74,80,69,75,63,74],[84,74,70,80,74,82]])
>>> print(A)
[[84 65 61 72 79 81]
 [64 77 77 76 55 70]
 [65 67 63 49 57 67]
 [74 80 69 75 63 74]
 [84 74 70 80 74 82]]
 
# 直接使用PCA进行降维
>>> pca = PCA(n_components=2) #降到 2 维
>>> pca.fit(A)
PCA(n_components=2)
>>> pca.transform(A) # 降维后的结果
array([[-16.14860528, -12.48396235],
       [ 10.61676743,  15.67317428],
       [ 23.40212697, -13.607117  ],
       [ -0.43966353,   7.77054621],
       [-17.43062559,   2.64735885]])
>>> pca.explained_variance_ratio_ # 降维后的各主成分的方差值占总方差值的比例，即方差贡献率
array([0.63506778, 0.339022  ])
>>> pca.explained_variance_ # 降维后的各主成分的方差值
array([306.29319053, 163.51030959])

5.Topsis方法（客观）

Topsis综合评价方法是一种多维决策分析方法，适用于多种复杂的评估和决策场景中。为了更清楚地解释，我将对每个步骤进行更详细的说明。

首先，评估方案需要同时考虑多个评价指标，这些指标可能相互矛盾或者有不同的权重，需要通过一定的数学模型将其标准化处理，并根据相对重要性进行加权计算。Topsis方法正是基于这个框架，采用了以下的计算方法来求出每个方案在各个指标上的综合得分。

5.1 正向化

详见1.2

5.2 标准化

一般使用1.3.4的归一方法。

假设有n个方案（或实体），每个方案有m个不同的评价指标，在不同的评价指标间进行综合评估。对于每一个方案i的j指标可以通过以下的计算得到其标准化后的数值v(i,j)：

$$ v_{ij} = \frac{x_{ij}}{\sqrt{\sum_{i=1}^n{x^2_{ij}}}} $$

其中 $x_{ij}$ 表示第i个方案的第j项指标原始数据。标准化处理将不同维度的数据范围统一到0-1之间，并且会消除数据量级之间的影响。

5.3 计算正负理想解

• 如果没有进行正向化：

对于利益类指标，如价格、收益等，需要最大化；而对于成本类指标，如成本、负债等，需要最小化。可以分别计算出每一个指标在给定n个方案中的最大值和最小值。设 第j项指标的正理想解为$v^{+}_{j}$, 负理想解为$v^{-}_{j}$。具体的计算方式如下所示：

对于利益类指标：

$$ v^{+}_{j} = \max{\{v_{ij}| i = 1, 2, \cdots, n\}} $$

$$ v^{-}_{j} = \min{\{v_{ij}| i = 1, 2, \cdots, n\}} $$

对于成本类指标：

$$ v^{+}_{j} = \min{\{v_{ij}| i = 1, 2, \cdots, n\}} $$

$$ v^{-}_{j} = \max{\{v_{ij}| i = 1, 2, \cdots, n\}} $$

• 如果进行了正向化：

取每个列向量的最大值即可。

5.4 计算每个方案与正负理想解的距离

在标准化之后，可以对每一个方案与正负理想解之间的距离进行计算。设第i个方案到正理想解的距离为$S_{i}^{+}$, 到负理想解的距离为$S_{i}^{-}$。

$$ S^{+}_{i} = \sqrt{\sum_{j=1}^m{(v_{ij}-v^{+}_{j})}^{2}} $$

$$ S^{-}_{i} = \sqrt{\sum_{j=1}^m{(v_{ij}-v^{-}_{j})}^{2}} $$

其中,$m$为指标维度的数量。 $S^{+}_{i}$表示方案$i$与正理想解之间的距离，$S^{-}_{i}$表示方案$i$与负理想解之间的距离，值越小越接近理想解，因此可以把正负理想解的范围展开到$[0, 1]$之间作为检验指标的依据.

5.5 计算综合得分

最终的综合得分$s_i$可以通过权衡每个指标从而得到，如下所示：

$$ s_{i} = \frac{S^{-}_{i}}{S_{i}^{+}+S_{i}^{-}} $$

其中，$S_{i}^{+}$表示第$i$个方案与正理想解的距离，$S_{i}^{-}$表示第$i$个方案与负理想解的距离。综合得分$s_i$可以看作是评价指标的加权平均值。当综合得分越高时，则表示第$i$个方案越更优。

下面举一个例子来说明如何使用这种方法进行决策。例如，一家公司想在考虑多个指标情况下选择最适合的机器学习平台。他们的评价指标包括特性得分（例如各种模型类型的大小、精度等），服务质量得分（包括易用性、响应时间、数据隐私度，等等），价格得分等。我们假设有三个候选机器学习平台，评价指标如下表所示：

使用 Topsis 方法来计算得到每个平台的得分：

对每个评价指标进行标准化，计算符合每个标准化指标的正负理想解，计算每个平台到理想解的距离:

通过计算得出， 平台 B 的综合得分最高，因此可以推荐该平台作为其机器学习的首选选项。

6.灰色关联分析法（客观）

灰色关联度分析是一种比较常用的多因素综合评价方法，它可以用于确定不同的对象与某一参考对象之间关联度。如果我们把这个参考对象设置为理想中的完美对象，那么灰色关联分析法就可以分析出不同的对象的优劣。

具体实施步骤如下：

6.1 收集数据

建立评价指标矩阵，其中每行对应一个因素（评价对象），每列对应一个评价指标。评价指标可以是数量指标，也可以是质量（定性）指标，但是指标之间的具体意义必须相同。设评价指标矩阵为 $X$，其中 $x_{ij}$ 表示第 $i$ 个因素对第 $j$ 个指标的值。

我们先给出一个例子，某核心企业待选供应商的指标评价有关数据：

6.2 正向化和标准化并建立参考对象

对评价指标矩阵进行正向化和标准化，将各项指标转化为同一量纲下的评价指标值。其中标准化方法一般采用Min-max标准化。详见1.2与1.3。

在上面这个例子中，产品价格、地理位置、售后服务是负向指标，其他都是正向指标。预处理后的数据如下：

建立参考对象，如下：

由于此处进行了正向化处理和Min-max标准化，因此，此处的参考对象的各项指标只要对每一行都取最大值即可。

6.3 确定权重

确定各个指标对应的权重。但暂时不对指标矩阵的每一行进行加权处理。可用层次分析法确定这些权值。

$$ \omega =\left [ \omega _{1} ,\omega _{2} ,...,\omega _{n}\right ] ,\sum_{i=1}^{n} \omega _{i}=1 $$

这些权值将在计算灰色关联度的时候用到。

6.4 计算灰色关联系数

我们记$x_{i}$为对象$i$，参考对象为$x_{0}$。$x_{i}$与$x_{0}$都有m个指标，我们需要求出它们在第k个指标上的关联系数。关联系数越大，代表这个实际对象越贴近于参考对象。对于n个实际对象，m个指标，$x_{i}(j)$表示实际对象i的第j个指标的值，那么，$x_{i}$与$x_{0}$在第k个指标上的关联系数的计算公式如下：

$$ \xi _{i}(k)=\frac{ \min_{1\le s \le n} \min_{1\le t \le m} \left | x_{0}(t)-x_{s}(t) \right | \\ +\rho \max_{1\le s \le n} \max_{1\le t \le m} \left | x_{0}(t)-x_{s}(t) \right | }{ \left | x_{0}(k)-x_{i}(k) \right | \\ +\rho \max_{1\le s \le n} \max_{1\le t \le m} \left | x_{0}(t)-x_{s}(t) \right | } $$

其中，$\min_{1\le s \le n} \min_{1\le t \le m} \left | x_{0}(t)-x_{s}(t) \right |$称为两极最小差，$\max_{1\le s \le n} \max_{1\le t \le m} \left | x_{0}(t)-x_{s}(t) \right |$称为两级最大差，$\rho$称为分辨系数。

两级最小差和两级最大差的计算过程，就是把指标矩阵的各个值与参考对象进行比较的过程。分辨系数$\rho$越大，分辨率就越大；$\rho$越小，分辨率就越小

在上面的例子中，我们可以算出两级最小差为0，两级最大差为1。这是由于使用了Min-max标准化方法而导致的。

6.5 计算灰色加权关联度并排序

灰色加权关联度就是每个对象的最终得分，它采用如下公式计算：

$$ r_{i}=\sum_{k=1}^{n}w_{i}\xi _{i}(k) $$

其中，$r_{i}$ 表示待评价对象的得分，$w_{i}$是6.3中确定的权值。

最终按照各个评价对象的得分进行排序，得分高表示与各项指标的关系越密切，也就越好。

本文由博客一文多发平台 OpenWrite 发布！

宏基4720zg的报价以及评测

宏基Aspire 4720ZG是知名品牌——宏碁旗下的一款经典畅销机型，它不仅在外观设计方面时尚 简约 而又大方美观，而且宏基Aspire 4720ZG3000元上下的定价更是为它赢得了高口碑高性价比的评价。那么接下来就随小编一起来了解关于宏基Aspire 4720ZG的报价简介以及评测这两个板块的相关信息吧。有意向购买 笔记本电脑 的朋友可以综合参考一下下文的宏基Aspire 4720ZG的相关信息。

一、宏基Aspire 4720ZG的报价(价格来源网络，仅供参考)

宏基AS4720ZG(322G32Mi)笔记本采用Intel Pentium Dual-Core T3200处理器,2048MB内存,320GB硬盘,NVIDIAGeForce 8400M GS独立显卡,宏碁 AS4720ZG(322G32Mi)预置Microsoft Windows Vista Home Basic操作系统,丽镜宽内置五合一读卡器,3年有限质保. 宏碁 Aspire4720ZG目前的定价是3000元左右

二、宏基Aspire 4720ZG的评测

3000元可谓是笔记本电脑的超低价格线，而近段时间入 门 级笔记本的竞争也尤为激烈。宏基 宝石 本的外观颇为惹人喜爱，随着新平台的铺货速度和价格的进步调整，上一代迅驰平台下的机型也随之淡出市场，价格也进一步降低。宏基奔腾双核笔记本4720Z搭载了奔腾双核处理器，14英寸屏幕设计， DVD 刻录，为家用和学生设计，外形圆润讨人喜爱，现在价格相比较以前，已经降到3000元的低价位，现在购买还有原装包鼠标、清洁套装、键盘保护膜、鼠标垫、等实惠礼品相送。

宏基AS4720Z-321G16Mi依然采用了经典的宝石本外观，上盖经过磨砂处理，手感不错。屏幕采用14.1寸丽镜宽屏设计，标准分辨率为1280×800。

配置方面，这款笔记本采用Intel Pentium Dual-Core T3200(标准主频为2.0G、1M二级缓存、系统前端总线为667MHz)，机器标配1GB内存，160GB SATA硬盘，COMBO光驱，集成IntelGMAX3100显卡。

接口方面，产品为用户提供了4×USB 2.0、1×IEEE1394、1×S-video、1×VGA、1×麦克风输入、1×音频输出、1×RJ-45、1×RJ-11、红外线接口和一个扩展插槽;网络方面，内建千兆网卡和802.11a/b/g无线网卡。

编辑点评：宏基AS4720Z-3A0512C机身重量为2.45kg，6芯 锂电池 约能提供3.5小时的续航时间。另外，该机还预装了Linpus Linux BE操作系统

以上我们为大家详细介绍了宏基Aspire 4720ZG的两个方面的信息，其中包括宏基Aspire 4720ZG的报价简介以及评测两个方面的内容。通过以上篇幅文字图片信息的介绍，我们了解到宏基Aspire 4720ZG是一款在配置方面十分出色，而外观操作等等方面的表现也优异于同等价位其他产品的机子。宏基Aspire 4720ZG3000元上下的报价更是为它赢得了一大批忠实的粉丝。有意向购买高性价比笔记本电脑的朋友可以考虑一下宏基Aspire 4720ZG这款机型。

宏基4738g笔记本怎么样？宏基4738g笔记本性能配置如何

在信息时代的今天， 笔记本电脑 和智能手机已经走进了寻常百姓家里，人们通过电脑手机上网冲浪，足不出户也能解决日常生活所需，但随着时间的发展，消费者们对手机电脑的使用需求更好了，哪里有需求哪里就有商机，类似于宏基等电脑产品纷纷推出了新产品，以下就是宏基4738g的优缺点介绍，也许看完之后你就知道宏基这款机子怎么样了。

优点

1、重量： 笼统来说这款宏基4738g在设计上是比较轻便的，放在电脑包里，随时随地可以带走，也不怕因为重量过大而产生不适感，这是宏基4738g的一个最大的优点，在同类产品同中配置中这款笔记本因为其轻便性有了很高的性价比，如果平时喜欢出行这款笔记本是个不错的选择。

2、散热： 现在很多笔记本的散热都不太好，因此网络上很多售卖 散热器 的。而宏基4738g基于对消费者需求的满足，这款机子极大的减轻了发热的程度，无论是玩游戏还是用在工作中，这款电脑用久了也仅仅是出现轻微的热度，对于不喜欢使用散热器的人来说简直就是笔记本中的福音。

3、外形： 宏基的外壳用料是一大特色，不得不说，这款笔记本无论是在手感上，还是轮廓的设计上，都非常流畅而且舒适。使用的是P6200 6370红色版本，不对处理器和显卡做太多严格的考究的话，宏基这款机子完全胜在了外表的美型上。另外添加的HDMI接口，会看到主机的在触摸板的右边会有滚动条，这个功能对于没有外置鼠标而去浏览网页真心的舒适切方便。

缺点

1、现在很多人喜欢用手机自拍，当然电脑也具备这个功能，虽然没有手机拍照方便，但是在人人自拍的今天，电脑拍照也不能太差，而宏基这款机子摄像镜头十分的差劲，QQ视频不给力。

2、在日常看视频的时候，宏基这款机子的花屏率很高。

看完以上内容，你是都对宏基这款机子有了大致的了解呢?宏基的这款机子价格不高，因此其性能也是跟价格在一个层面的。虽说性能不是太差，但是运行大型游戏的话还是存在卡顿情况，所谓一份价钱一份货就是这个理。但是并不是绝对地说宏基这款机子玩不了大型游戏，在有所针对的情况下，还是能够将这款电脑的性能进行优点的最大化。

我们今天的关于宏基笔记本4750zg最新报价【综合评测】和宏基4750g笔记本怎么样的分享已经告一段落，感谢您的关注，如果您想了解更多关于sonyea28综合评测与最新市场报价、【综合评价方法】常见综合评价方法及其实现、宏基4720zg的报价以及评测、宏基4738g笔记本怎么样？宏基4738g笔记本性能配置如何的相关信息，请在本站查询。