- 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 8-7 偏差方差平衡
2 偏差方差与算法 理解了偏差和方差的概念之后，来看一看目前学过的机器学习算法中那些算法天生就是高偏差，那些算法天生就是高方差。 ? 通常来讲，非参数学习的算法都是高方差的算法，因为这类算法不对数据进行任何的假设，只能够根据我们现有的训练数据来进行相应的预测，所以模型对训练数据集本身是非常敏感的。 在第二章介绍算法分类的时候，介绍过什么是非参数学习的算法，kNN算法就是一个典型的非参数学习算法，使用kNN算法进行预测的时候是高度依赖训练的样本数据，而不完全依赖某些特定的参数。 在后面还会继续介绍这样的算法决策树，决策树也是一种典型的非参数学习算法，这类算法通常很有可能引入更高的方差； 另外一类算法天生是高偏差的算法，最典型的例子就是线性回归，因为现实生活中的很多问题都是非线性的 ，接下来三个小节就会具体介绍一些模型正则化的方法，对于一些算法来说，比如接下来要介绍的逻辑回归或者下一章要介绍的SVM算法，这些算法离不开模型正则化。
1.2K10发布于 2020-01-14 - 来自专栏深度学习和计算机视觉
【从零学习OpenCV 4】图像修复
inpaintRadius：算法考虑的每个像素点的圆形邻域半径。 flags：修复方法标志，可以选择的参数及含义在表8-7给出 该函数利用图像修复算法对图像中指定的区域进行修复，函数无法判定哪些区域需要修复，因此在使用过程中需要明确指出需要修复的区域。 第四个参数表示修复算法考虑的每个像素点的圆形邻域半径。最后一个参数表示修复图像方法标志，可以选择的参数及含义在表8-7给出。 标志参数 简记 含义 INPAINT_NS 0 基于Navier-Stokes算法修复图像 INPAINT_TELEA 1 基于Alexandru Telea算法修复图像
86800发布于 2020-03-05 - 来自专栏人工智能与演化计算成长与进阶
np.diff函数
np.array([1, 6, 7, 8, 12]) diff_x1 = np.diff(a) print("diff_x1",diff_x1) # diff_x1 [5 1 1 4] # [6-1,7-6,8- b.reshape(5,1,2) diff_x3 = np.diff(c) print("diff_x3 \n",diff_x3) # diff_x3 # [[[ 5]] [6-1] # # [[ 1]] [8-
97610发布于 2020-08-14 - 来自专栏A周立SpringCloud
Zuul的高可用
图8-7 Zuul高可用架构图 如图8-7，当Zuul客户端也注册到Eureka Server上时，只需部署多个Zuul节点即可实现其高可用。
1.6K30发布于 2018-04-02 - 来自专栏业余草
手把手教你写出 6 种负载均衡算法！
常见的负载均衡算法，大概有 7 种。它们分别是：完全随机算法、加权随机算法、完全轮询算法、加权轮询算法、平滑加权轮询算法、哈希算法、最小压力算法。 本文结合我个人的理解，给大家从头来写出 6 种负载均衡算法。 负载均衡算法，虽然你平时可能用不到，但是面试中可能会被问到。 完全随机算法就和随机数有些关系。看下面的实现代码： ? 代码非常的简单，我就不在详细的解释。下面再看加权随机算法。 随机算法有一个缺点就是，所有的服务器被访问到的概率都是相同的。 业余草微信号:xmtxtt”服务器，因为 10>2（www.xttblog.com 服务器的权重），10-2（www.xttblog.com服务器的权重）=8，8>7（“公众号业余草”服务器的权重），8- 上面的算法虽好，但是在集群环境下，我想让同一个用户的访问，分流到固定的一台机器上，怎么办？所以就又有了哈希负载均衡算法。 ? 上面的 6 种负载均衡算法是非常常见的，很可能在面试中被问到。
78910发布于 2019-04-29 - 来自专栏愿天堂没有BUG（公众号同名）
大牛用一文带你深入解析java虚拟机：C1编译器的编译流程
frame_map()); allocator->do_linear_scan(); ... }} 首先使用LIRGenerator将HIR转换为更低级的LIR，然后使用LinearScan根据线性寄存器分配算法将 instruction________________________ (HIR) 2 0 i3 i1 + i2 . 5 0 i4 ireturn i3 当完成HIR转LIR以及寄存器分配之后，生成的LIR如代码清单8- 代码清单8-7 加法的LIR B1 -> B0 [0, 0] _nr__instruction______________________(LIR) 0 label [label:0x0000000125245ea0
97520编辑于 2022-10-31 - 来自专栏API百科
基于机器学习的纠错系统技术 - 智能文本纠错 API
基于机器学习的文本纠错系统通常分为两个主要部分：语言模型和纠错算法。 语言模型是根据大量文本数据训练得到的，可以预测一个词语在语言中的概率；纠错算法则根据语言模型的预测结果和词语的上下文信息来识别错误并纠正它们。 赌毒 8-3: 司法、政治 8-4: 宗教、迷信 8-5: ⾔语 辱骂 8-6: ⾮法信息 8-
1.7K30编辑于 2023-04-28 - 来自专栏智能大数据分析
关联规则挖掘（二）
三、FP-增长算法 （一）算法的背景 Apriori算法存在以下两方面的不足： （1）产生大量的候选项集 例如，当事务数据库有104个频繁1-项集时， Apriori算法就需要产生多达107个候选2 -项集，即对存储空间要求会影响算法的执行效率。 用 FP-增长 (Frequent-Pattern Growth，FP-Growth) 算法来发现频繁项集。算法只需扫描事务数据库两次，其计算过程主要由以下两步构成。 例 8-7 假设FP-树中已有两条路径 null-a-b-c 和 null-b-c-d (图8-5(1))。 A)\times P(B))= (P(A\cup B)/P(A))/P(B)\tag{8-6} Lift(A,B)=Confidence(A\Rightarrow B)/Support(B)\tag{8-
49110编辑于 2025-01-22 - 来自专栏Michael阿明学习之路
LeetCode MySQL 1459. 矩形面积
| +----------+-------------+-------------+ p1 应该小于 p2 并且面积大于 0. p1 = 1 且 p2 = 2 时, 面积等于 |2-4| * |8-
51910发布于 2021-02-19 - 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。
58110编辑于 2024-06-18 - 来自专栏信息技术智库
「SQL面试题库」 No_112 矩形面积
2 | +----------+-------------+-------------+ p1 应该小于 p2 并且面积大于 0. p1 = 1 且 p2 = 2 时, 面积等于 |2-4| * |8-
26430编辑于 2023-10-16 - 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 ?
2.5K140发布于 2018-03-27 - 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。
89531发布于 2019-08-15 - 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。
1K20编辑于 2023-05-13 - 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。
1.6K80发布于 2018-03-27
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