- 综合排序
- 最热优先
- 最新优先
- 来自专栏AI机器学习与深度学习算法
机器学习入门 11-8 RBF核函数中的gamma
本小节将通过实践应用sklearn为我们封装的高斯核的SVM算法来进行具体的分类并解释分类决策边界的几何意义，着重实验不同的gamma取值对最终分类决策边界的影响。 在使用sklearn封装的高斯核（或RBF核）的SVM算法之前，不要忘记对数据进行标准化，标准化和实例化SVC（sklearn中的分类SVM算法使用SVC类实现）这两个过程可以通过管道Pipeline的方式进行连接 接下来使用前面一直使用的绘制决策边界的函数绘制使用高斯核且gamma = 1.0的SVM分类算法的决策边界。 c 小结 使用SVM算法解决分类问题，如果核函数选用高斯核（或RBF核），gamma参数值相当于在调整模型的复杂度。 SVM算法不仅能够解决分类问题还能够解决回归问题，下一小节将会介绍如何使用SVM算法的思路来解决回归问题。
6K51发布于 2020-10-26 - 来自专栏愿天堂没有BUG（公众号同名）
自从学了深入解析java虚拟机：FullGC和字符串去重后，我无敌了
早期G1的FGC使用单线程的标记整理算法，后来为了充分发挥多核处理器的优势，JEP 307提案为G1的FGC设计了多线程标记整理算法，此时多线程的FGC的线程数量可以由-XX:ParallelGCThreads phase2_prepare_compaction(); phase3_adjust_pointers(); phase4_do_compaction(); } 正如之前所说，FGC是一个标准的标记整理算法 的copy_to_survivor()过程中如果发现开启了自动去重选项，G1会调用 G1StringDedup::enqueue_from_evacuation()自动发现可以去重的字符串，如代码清单11 -8所示： 代码清单11-8 选择重复字符串 bool G1StringDedup::is_candidate_from_evacuation(...) { // 如果对象在Eden Region，并且类型是
1K20编辑于 2022-10-31 企业工商信息-企业工商信息查询-企业工商法人信息-企业工商联系电话-企业工商信息API接口介绍
浙江省杭州市余杭区仓前街道龙泉路3号507室" // 值 }, { "Note": "2019年报", "Value": "浙江省杭州市余杭区余杭街道余杭街道禹航商城11 -8、11-9号二层-2" }, { "Note": "2018年报", "Value": "浙江省杭州市余杭区余杭街道禹航商城11-8、
33210编辑于 2026-06-26- 来自专栏华章科技
马太效应和幂律分布是怎么回事？终于有人讲明白了
图11-8中给出了Benford定律的一个图示。看起来和齐普夫分布没有太大不同，因此我们可能想知道如果用对数坐标轴绘制的话图会变成什么样子。 ▲图11-8 Benford定律 ? ▲图11-9 对数坐标轴下的Benford定律 Benford定律的广度令人震惊。 本文摘编自《真实世界的算法：初学者指南》，经出版方授权发布。 推荐语：学习算法的启蒙读本，算法尽量简单，避免读者有挫败感，仅需基本数学基础和计算机常识知识。 通过真实世界需要解决的实际问题来介绍算法思想，为各领域高效运用算法提供重要指南。
2.1K11发布于 2020-08-07 - 来自专栏AI机器学习与深度学习算法
机器学习入门 11-9 SVM思想解决回归问题
a SVM的思想解决回归问题 回归问题的本质其实就是找到一根直线（或曲线）能够最大程度的拟合样本数据点，不同定义拟合的方式对应着不同的回归算法。 比如前面介绍的线性回归算法定义拟合的方式就是让样本点到预测的这根直线的MSE的值最小。 【机器学习】机器学习入门 11-6 到底什么是核函数 【机器学习】机器学习入门 11-7 RBF核函数 【机器学习】机器学习入门 11-8 RBF核函数中的gamma 【Pytorch】PyTorch
1.4K31发布于 2020-10-26 - 来自专栏华章科技
所到之处，寸草不生！深扒黑产工具和羊毛党操作流程
可以用一张图表示各种角色相互之间的关系，如图11-8所示。 ? ▲图11-8 黑产工具和角色 关于作者：林鹏（lion_00），CCIE (SECURITY)，猎豹移动安全总监，曾任当当网安全经理、网信金融安全专家、万达电商信息安全部总经理等职位。
4.3K21发布于 2020-07-29 - 来自专栏技术分享
【算法】----BF算法&KMP算法
我们今天所讨论的两个算法就是有关该过程的算法。 事实上，对于检索，无非就是两个字符串的匹配过程，模式串是你想要匹配的串，主串是你搜索所在串。 BF算法和KMP算法是较为著名的模式匹配算法，接下来作出详细介绍。 BF算法 BF算法(Brute-Force)也称为暴力算法，其核心原理是逐个比较文本串和模式串的字符，如果匹配失败，则通过向右移动模式串的位置，再次进行比较。 在实际情况下，BF算法的效率并不高，特别是当文本串T和模式串P的长度很大时。对于较长的文本串和模式串，BF算法的时间复杂度可能会导致性能问题。 答案就是KMP算法。 KMP算法 KMP算法的核心思想是利用模式串自身的特点来加速匹配过程，避免重复匹配。
64010编辑于 2024-06-18 - 来自专栏PPV课数据科学社区
【算法】PCA算法
小编邀请您，先思考： 1 PCA算法的原理是什么？ 2 PCA算法有什么应用？
2K40发布于 2018-04-18 - 来自专栏用代码征服天下
算法——排序算法
基本思想：现在有一个数组arr= {12,35,99,18,76}，需要将其从小到大排序
1K10编辑于 2022-05-09 - 来自专栏Super 前端
算法--分治算法
本文链接：https://ligang.blog.csdn.net/article/details/83866378 分治算法 分而治之，把一个复杂的问题分成两个或更多的相同或相似的子问题，再把子问题分成更小的子问题 经典递归案例： 示例： 归并排序 详见：javascript排序算法 示例： 二分查找法（二分法） 二分查找也称折半查找，其要求线性表必须采用顺序存储结构，而且表中元素按关键字有序排列。
93431发布于 2019-08-15 - 来自专栏数据科学与人工智能
【算法】xgboost算法
小编邀请您，先思考： 1 XGBoost和GDBT算法有什么差异？ XGBoost的全称是 eXtremeGradient Boosting，2014年2月诞生的专注于梯度提升算法的机器学习函数库，作者为华盛顿大学研究机器学习的大牛——陈天奇。 xgboost问世后，因其优良的学习效果以及高效的训练速度而获得广泛的关注，并在各种算法大赛上大放光彩。 ? 具体算法如下： 输入：训练集 ? 输出：提升树 步骤： （1）初始化 （2） 对m=1,2,3……M a）计算残差 ?
2K90发布于 2018-03-27 - 来自专栏半生瓜のblog
【算法】查找算法
查找算法 查找的定义 查找:又称检索或查询，是指在查找表中找出满足一定条件的结点或记录对应的操作。 查找效率:查找算法中的基本运算是通过记录的关键字与给定值进行比较，所以查找的效率通常取决于比较所花的时间，而时间取决于比较的次数。通常以关键字与给定值进行比较的记录个数的平均值来计算。 数组是特殊的块索引（一个块一个元素）： [外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-xDbRyWBM-1635489015712)(查找算法.assets/image- [外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-6LawbrgF-1635489015715)(查找算法.assets/image-20211028180620292.png )] 分块查找的算法分两步进行，首先确定所查找的节点属于哪一块，即在索引表中查找其所在的块，然后在块内查找待查询的数据。
1.1K20编辑于 2023-05-13 - 来自专栏数据科学与人工智能
【算法】SVD算法
2 SVD算法与PCA算法有什么关联？ 3 SVD算法有什么应用？ 4 SVD算法如何优化？ 前言 奇异值分解(Singular Value Decomposition，简称SVD)是在机器学习领域广泛应用的算法，它不光可以用于降维算法中的特征分解，还可以用于推荐系统，以及自然语言处理等领域，是很多机器学习算法的基石 本文就对SVD的原理做一个总结，并讨论在在PCA降维算法中是如何运用运用SVD的。 也可以用于推荐算法，将用户和喜好对应的矩阵做特征分解，进而得到隐含的用户需求来做推荐。同时也可以用于NLP中的算法，比如潜在语义索引（LSI）。 SVD小结 SVD作为一个很基本的算法，在很多机器学习算法中都有它的身影，特别是在现在的大数据时代，由于SVD可以实现并行化，因此更是大展身手。
2K121发布于 2018-03-27 - 来自专栏数据科学与人工智能
【算法】Adaboost 算法
小编邀请您，先思考： 1 Adaboost算法的原理是什么 ？ 2 Adaboost算法如何实现？ 是一个加法模型，而Adaboost算法其实是前向分步算法的特例。那么问题来了，什么是加法模型，什么又是前向分步算法呢？ 3.1 加法模型和前向分步算法 如下图所示的便是一个加法模型 ? 这个优化方法便就是所谓的前向分步算法。 下面，咱们来具体看下前向分步算法的算法流程： 输入：训练数据集 ? 损失函数： ? 基函数集： ? 输出：加法模型 ? 3.2 前向分步算法与Adaboost的关系 在上文第2节最后，我们说Adaboost 还有另外一种理解，即可以认为其模型是加法模型、损失函数为指数函数、学习算法为前向分步算法的二类分类学习方法。 前向分步算法逐一学习基函数的过程，与Adaboost算法逐一学习各个基本分类器的过程一致。 下面，咱们便来证明：当前向分步算法的损失函数是指数损失函数 ?
2.6K140发布于 2018-03-27 - 来自专栏数据科学与人工智能
【算法】PCA算法
小编邀请您，先思考： 1 PCA算法的原理是什么？ 2 PCA算法有什么应用？
1.9K60发布于 2018-03-27 - 来自专栏半生瓜のblog
【算法】分治算法
分治算法 将一个规模为N的问题分解为k个较小的子问题，这些子问题遵循的处理方式就是互相独立且与原问题相同。 两部分组成： 分(divide):递归解决较小的问题。
71010编辑于 2023-05-13 - 来自专栏数据科学与人工智能
【算法】GBDT算法
小编邀请您，先思考： 1 GBDT算法的原理是什么？ 2 GBDT算法如何做正则化处理？ GBDT在BAT大厂中也有广泛的应用，假如要选择3个最重要的机器学习算法的话，个人认为GBDT应该占一席之地。 分类算法 GBDT的分类算法从思想上和GBDT的回归算法没有区别，但是由于样本输出不是连续的值，而是离散的类别，导致我们无法直接从输出类别去拟合类别输出的误差。 除了负梯度计算和叶子节点的最佳残差拟合的线性搜索，二元GBDT分类和GBDT回归算法过程相同。 多元分类算法 多元GBDT要比二元GBDT复杂一些，对应的是多元逻辑回归和二元逻辑回归的复杂度差别。 由于GBDT的卓越性能，只要是研究机器学习都应该掌握这个算法，包括背后的原理和应用调参方法。目前GBDT的算法比较好的库是xgboost。当然scikit-learn也可以。
1.7K80发布于 2018-03-27 - 来自专栏用代码征服天下
算法——查找算法
1、顺序查找： 定义： 顺序查找（Sequential Search） 又叫线性查找，是最基本的查找技术，它的查找过程是：从表中第一个（或最后一个）记录开始，逐个进行记录的关键字和给定值比较，若某个记录的关键字和给定值相等，则查找成功，找到所查的记录；如果直到最后一个（或第一个）记录，其关键字和给定值比较都不等时，则表中没有所查的记录，查找不成功。 代码： import java.util.Scanner; import org.junit.jupiter.api.Test; /** * 顺序查找
1.2K10编辑于 2022-05-09 - 来自专栏cloudskyme
算法——递推算法
递推算法是一种简单的算法，即通过已知条件，利用特定关系得出中间推论，直至得到结果的算法。 递推算法分为顺推和逆推两种。 相对于递归算法,递推算法免除了数据进出栈的过程，也就是说,不需要函数不断的向边界值靠拢,而直接从边界出发,直到求出函数值. ,它的作用不能忽视.所以,在把握这两种算法的时候应该特别注意。 \n",fn); //输出结果 return 0; } java递归算法分析 递归算法分析：就是把复杂的问题分解为若干个相对简单的子问题，一直分解下去，直到子问题有答案为止，也就是说到了递推的出口 递归算法要注意的两点： (1) 递归就是在方法里调用自己; (2) 在使用递归算法时，必须要有一个明确的递归结束条件，称为递归出口。
2K80发布于 2018-03-20 - 来自专栏全栈程序员必看
Louvain算法_算法问题
Louvain算法 一种基于模块度的图算法模型，与普通的基于模块度和模块度增益不同的是，该算法速度很快，而且对一些点多边少的图，进行聚类效果特别明显。 算法流程： 1、初始时将每个顶点当作一个社区，社区个数与顶点个数相同。 2、依次将每个顶点与之相邻顶点合并在一起，计算它们的模块度增益是否大于0，如果大于0，就将该结点放入该相邻结点所在社区。 3、迭代第二步，直至算法稳定，即所有顶点所属社区不再变化。 4、将各个社区所有节点压缩成为一个结点，社区内点的权重转化为新结点环的权重，社区间权重转化为新结点边的权重。 5、重复步骤1-3，直至算法稳定。 _G[vid].keys() if neighbor > vid]) def first_stage(self): mod_inc = False # 用于判断算法是否可终止
94420编辑于 2022-11-17
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号