- 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 5-8 实现多元线性回归
其中θ包含（θ0~θn）一共(n+1)个参数值，但是对于实际的样本来说，一共有n个维度，其中θ0是截距intercept，在有的时候在进行线性回归的时候，最终返回给用户的时候，有可能不是将整个θ返回给用户的，而是将截距和下面的θ1 ~ θn(称之为系数coefficients)分开，这样做的原因在系数部分，每个θ值都对应着原来样本中的一个特征，这些系数从某种意义上来讲可以描述这些特征对于最终样本相应贡献程度是怎样的，而θ0截距和我们的样本特征是不相干的，只是一个偏移，所以把这两个部分分开。所以在我们自己封装多元线性回归的时候就采用分开的方式。当然在sklearn中也是采用这样的封装方式。
58000发布于 2019-11-13 - 来自专栏JAVA
Mysql高低版本切换需要修改的配置5-8（此处以aicode为例）(WARN: Establishing SSL connection without server‘s identity veri)
我这边出现此种报错的原因是我本地的数据在后面升级为了8.0版本的数据库，然后代码得到配置依照5.7的版本进行配置，因为升级数据库导致很多代码都出现了问题，故做此记录；希望可以帮助到大家
63510编辑于 2024-11-20 - 来自专栏OpenCV与AI深度学习
趣味应用 | 用OpenCV自动给图片添加彩虹特效---平淡的生活需要技术的点缀
4/5), 180, 0, 180, Scalar(255,0,128), 5); ellipse(img, Point(col/2,row*4/5), Size(col/2-8+100,row*4/5- 8), 180, 0, 180, Scalar(255,0,0), 5); ellipse(img, Point(col/2,row*4/5), Size(col/2-8*2+100,row*4/5-8 2), 180, 0, 180, Scalar(255,255,0), 5); ellipse(img, Point(col/2,row*4/5), Size(col/2-8*3+100,row*4/5- 8*3), 180, 0, 180, Scalar(0,255,0), 5); ellipse(img, Point(col/2,row*4/5), Size(col/2-8*4+100,row*4/5- 4), 180, 0, 180, Scalar(0,255,255), 5); ellipse(img, Point(col/2,row*4/5), Size(col/2-8*5+100,row*4/5-
66510发布于 2021-12-01 - 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 - 来自专栏大数据仓库建设
我国大陆地区的手机号正则匹配
((13[0-9])|(14[5,7])|(15[0-3,5-9])|(17[0,3,5-8])|(18[0-9])|161|166|198|199|(147))\\d{8}$" 在线正则测试 http ((13[0-9])|(14[5,7])|(15[0-3,5-9])|(17[0,3,5-8])|(18[0-9])|161|166|198|199|(147))\d{8}$
70230发布于 2019-03-12 - 来自专栏大数据仓库建设
我国大陆地区的手机号正则匹配
((13[0-9])|(14[5,7])|(15[0-3,5-9])|(17[0,3,5-8])|(18[0-9])|161|166|198|199|(147))\\d{8}$" 在线正则测试 http ((13[0-9])|(14[5,7])|(15[0-3,5-9])|(17[0,3,5-8])|(18[0-9])|161|166|198|199|(147))\d{8}$
2.3K20发布于 2019-03-14 - 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 - 来自专栏zxctscl个人专栏
【算法】双指针算法
二、算法原理 用两个指针来讲数组进行划分，一个cur：从左往右扫描数组，遍历数组；一个dest：已经处理的区间内，非零元素的最后一个位置。 二、算法原理 如果用双指针从前往后遍历，就拿例1来说， 就会出现值被覆盖的情况： 所以遍历顺序就不能从前往后。 二、算法原理 用两个指针来记录容器两边的高度，可以直接先选择最大的宽度，记录下这个容积。 二、算法原理 利用数组是有序的，用双指针算法来算。 定义两个指针，一个在左边，一个在右边。 二、算法原理 排序之后，数据是有序的，这里就用双指针算法。
56600编辑于 2024-04-15
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