1598D - Training Session(思维,组合数学)

AC代码:

#include <bits/stdc++.h>
#define int long long
using namespace std; 
const int N = 1e6+5;
int n;
int a[N],b[N];
void solve(){
	cin>>n;
	
	map<int,int>ma,mb;
	for(int i=0;i<n;i++){
		cin>>a[i]>>b[i];
		ma[a[i]]++,mb[b[i]]++;
	}
	
	int res=n*(n-1)*(n-2)/6;
	
	for(int i=0;i<n;i++)res-=(ma[a[i]]-1)*(mb[b[i]]-1);
	
	cout<<res<<endl;
}

main(){
	int T;
	cin>>T;
	while(T--)solve();
}
  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
Co-training 是一种半监督学习方法,它可以利用未标记的数据来提高模型的性能。下面是一个 Python 实现的 Co-training 代码示例: ```python import numpy as np from sklearn.naive_bayes import MultinomialNB class CoTrainer: def __init__(self, clf1, clf2, n_iter=10): self.clf1 = clf1 self.clf2 = clf2 self.n_iter = n_iter def fit(self, X_unlabeled, y_unlabeled, X_labeled1, y_labeled1, X_labeled2, y_labeled2): for i in range(self.n_iter): # 训练第一个分类器 self.clf1.fit(X_labeled1, y_labeled1) # 使用第一个分类器预测未标记数据的标签 y_pred1 = self.clf1.predict(X_unlabeled) # 找出第一个分类器预测的置信度最高的样本 idx1 = np.argsort(-self.clf1.predict_proba(X_unlabeled), axis=1)[:,:1] # 将这些样本加入第一个标记集 X_labeled1 = np.vstack((X_labeled1, X_unlabeled[idx1])) y_labeled1 = np.hstack((y_labeled1, y_pred1[idx1])) # 从未标记集中删除这些样本 X_unlabeled = np.delete(X_unlabeled, idx1, axis=0) y_unlabeled = np.delete(y_unlabeled, idx1, axis=0) # 训练第二个分类器 self.clf2.fit(X_labeled2, y_labeled2) # 使用第二个分类器预测未标记数据的标签 y_pred2 = self.clf2.predict(X_unlabeled) # 找出第二个分类器预测的置信度最高的样本 idx2 = np.argsort(-self.clf2.predict_proba(X_unlabeled), axis=1)[:,:1] # 将这些样本加入第二个标记集 X_labeled2 = np.vstack((X_labeled2, X_unlabeled[idx2])) y_labeled2 = np.hstack((y_labeled2, y_pred2[idx2])) # 从未标记集中删除这些样本 X_unlabeled = np.delete(X_unlabeled, idx2, axis=0) y_unlabeled = np.delete(y_unlabeled, idx2, axis=0) # 在两个标记集上合并训练数据 X_train = np.vstack((X_labeled1, X_labeled2)) y_train = np.hstack((y_labeled1, y_labeled2)) # 使用合并后的训练集重新训练两个分类器 self.clf1.fit(X_train, y_train) self.clf2.fit(X_train, y_train) def predict(self, X): # 合并两个分类器的预测结果 y_pred1 = self.clf1.predict(X) y_pred2 = self.clf2.predict(X) return np.hstack((y_pred1.reshape(-1, 1), y_pred2.reshape(-1, 1))) ``` 这个 Co-training 的实现使用了朴素贝叶斯分类器作为基分类器,可以根据需要替换为其他分类器。在 `fit` 方法中,我们首先训练两个基分类器,然后将它们用于预测未标记数据的标签。接着,我们分别找出两个分类器预测置信度最高的样本,将它们加入两个标记集,并从未标记集中删除这些样本。这个过程重复进行多次,直到未标记集为空。最后,我们使用两个标记集合并后的训练数据重新训练两个分类器,并在预测时合并两个分类器的预测结果。

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值