Axel_uestc-CSDN博客

原创 c语言排序

// exam3.cpp : 定义控制台应用程序的入口点。//#include "stdafx.h"#include#includeusing namespace std;//遍历数组void PrintArr(int *a,int n){for(int i =0;i{cout}cout}/*排序*///1、插入排序v

2016-08-21 20:55:03 330

原创指针和数组

指针和数组一、概述一种常见的错误观念是数组和指针是完全可以互换的，尽管数组名字有时候可以当做指针来用，但是数组的名字不是指针，数组表示法也可以和指针一起使用，但是连着明显不同，也不一定能互换。1、一维数组一维数组是线性结构，用一个索引访问成员，下面的代码声明了一个5个元素的整数数组：Int vector[5];数组名字只是引用了一块内存，对数组做sizeof操作会得到为该

2016-08-18 20:09:33 336

原创指针与函数

指针和函数一、程序栈指针对函数功能的贡献极大，它们能够将数据传递给函数，并且允许函数对数据进行修改。我们可以将复杂数据用结构体指针的形式传递给函数和从函数返回，如果指针持有函数的地址，就能动态控制程序的执行流。要理解函数及其和指针的结合使用，需要理解程序栈，调用函数的时候，会创建函数的栈帧并将其推到程序栈上，函数返回时，其栈帧从程序栈上弹出。在使用函数时，有两种情况指针很有用。首先

2016-08-18 19:38:22 490

原创深入理解c指针-内存管理

一、动态内存分配1、 c语言中动态内存分配的步骤：（1）用mallocl类的函数分配内存；（2）用这些内存支持应用程序；（3）用free函数释放内存例如：2、内存泄露如果不再使用已分配的内存却没有将其释放，就会发生内存泄露，导致内存泄露的情况可能如下：（1）丢失内存地址在上图中，pi重新分配地

2016-08-18 16:24:01 451

原创深入理解c指针之概述

深入理解c指针概述一、指针的声明1、通过在数据类型后面跟星号，再加上指针的名字可以声明指针。星号两边的空白符无关紧要，下面的声明都是等价的。指针声明后，需要初始化赋值：指向未初始化的内存的指针可能会产生地址，如果将这个指针解引，指针的内容可能并不是一个合法的地址，那个地址也可能没有包含合法的数据。程序没有权限访问不合法的地址。如下图所示，因为只声明了指针，没有初始化

2016-08-18 16:06:49 415

原创机器学习-AdaBoost算法

提升方法AdaBoost算法一、提示方法的基本思路提示方法基于这样一种思想：对于一个复杂任务来说，将多个专家的判断进行适当的综合所得出的判断，要比其中任何一个专家单独的判断好。对于分类问题而言，给定一个训练样本集，求比较粗糙的分类规则（弱分类器）要比求精确的分类规则（强分类器）容易很多，提升方法就是从弱学习算法出发，反复学习，得到一系列弱分类器（又称为基本分类器），然后组合这些弱分类器，构

2016-08-18 11:21:10 819

原创机器学习-贝叶斯分类

关于贝叶斯分类：没有改进的贝叶斯分类算法与kNN分类，以及决策树算法的分类效果差不多，有的时候贝叶斯分类的效果更差。一、朴素贝叶斯不用过多介绍，朴素贝叶斯的复杂度交底，当某种组合的概率很小的时候，需要拉普拉斯平滑二、属性加权的贝叶斯分类器三、结构拓展贝叶斯（类似于贝叶斯网络）四、最小错误和最小风险

2016-08-18 10:14:54 415

原创机器学习-决策树

一、基本概念决策树（decision tree）是一种基本的分类与回归方法。决策树模型呈树形结构，在分类问题中，表示属于特征对实例进行分类的过程，它可以认为是if-then规则的集合，也可以认为是电议在特征空间与类空空上的条件概率分布，其主要优点是模型具有可读性，分类速度快。决策树的学习通常包括3个步骤：特征选择，决策树的生成和决策树的修剪。二、决策树的生成略三、常见的决策树

2016-08-17 22:03:07 398

原创 kNN（k近邻算法）

K近邻分析（KNN）一、概述KNN算法是一种有监督学习的分类算法。所谓有监督学习，就是在应用算法之前我们必须准备一组训练集，训练集中的每个实例都是由一些特征和一个分类标签组成；通常还会存在一个测试集，用来测试训练出来的分类模型的准确性。其实KNN算法并没有体现出有监督学习的所有特点，没有模型，只有算法。甚至可以说这就是一种暴力扫描法，运行效率上比较低效。KNN的具体算法为：二

2016-08-17 22:01:09 2065

原创机器学习之k-means算法

K-means(k均值)一、算法分析K-means(k均值)是基于数据划分的无监督聚类算法，是数据挖掘领域的十大算法之一。样本集预先不知所属类别或标签，需要根据样本之间的距离或相似度来自动进行分类。聚类算法可以分为基于划分的方法、基于联通性的方法、基于密度的方法、基于密度分布模型的方法。K-means是属于基于划分的聚类方法。基于划分的方法是将样本集组成的矢量空间划分为多个区域，每个区

2016-08-17 21:54:47 972

Axel_uestc的博客