- 博客(10)
- 收藏
- 关注
RSS订阅原创 2020-12-10---类型转换
类型转换注意点不能对布尔值进行转换不能把对象类型转换为不相干的类型在把高容量转换到低容量的时候，强制转换转换的时候可能存在内存溢出，或者精度问题System.out.println((int)23.7); // 23System.out.println((int)-45.89f); //-45char c = 'a';int d = c+1;System.out.println(d);//98System.out.println((char)d);//b// 操作比较大的数的时
2020-12-13 10:03:24
175
原创 一些ML的经验
特征比数据量还大时，选择什么样的分类器？线性分类器，因为维度高的时候，数据一般在维度空间里面会比较稀疏，很有可能线性可分对于维度很高的特征，你是选择线性还是非线性分类器？理由同上对于维度极低的特征，你是选择线性还是非线性分类器？非线性分类器，因为低维空间可能很多特征都跑到一起了，导致线性不可分下面是吴恩达的见解：如果Feature的数量很大，跟样本数量差不多，...
2019-06-09 15:59:57
672
原创 过拟合
原因样本数据问题样本数量太少;抽样方法错误，抽出的样本数据不能有效足够代表业务逻辑或业务场景。比如样本符合正态分布，却按均分分布抽样，或者样本数据不能代表整体数据的分布;样本里的噪音数据干扰过大;模型问题模型复杂度高 、参数太多;训练过度；权值学习迭代次数足够多(Overtraining),拟合了训练数据中的噪声和训练样例中没有代表性的特征.解决方式数据方面增加训练...
2019-06-09 15:25:45
146
原创 特征工程
特征工程https://blog.csdn.net/qq_39521554/article/details/78877505https://blog.csdn.net/u010358304/article/details/80693541数据的预处理为什么需要数据的预处理？不属于同一量纲：即特征的规格不一样，不能够放在一起比较。无量纲化可以解决这一问题。信息冗余：对于某些定...
2019-06-05 18:07:54
140
原创 1、二维数组中的查找
note：从最右上角开始。大于：row=row+1，小于：col = col-1public class Solution { public boolean Find(int target, int [][] array) { // 获取数组的shape int row = array.length-1; int col = array...
2019-06-04 19:33:31
114
原创 堆内存和栈内存
为什么有堆内存和栈内存？如何让垃圾回收机制回收一个数组所占的内存空间？数组长度发生变化？public class test{ public static void main(String[] args){ //静态初始化数组a int[] a = {5,7,20}; //动态初始化数组b int[] b = new int[4]; System.o...
2019-06-04 16:12:08
170
原创 面向对象
面向对象的三种特性：1、继承（java不支持多继承）实现软件复用的重要手段。当子类继承父类后，子类作为一种特殊的父类，将直接获得父类的属性和方法。2、封装将对象的实现细节隐藏起来，然后通过一些公用方法来暴露该对象的功能。3、多态子类对象可以直接赋给父类变量，但运行时依然表现出子类的行为特征。这意味着同一类型的对象在执行同一个方法时，可能表现出多种行为特征。面向对象对于软...
2019-05-30 11:33:08
106
原创 Java运行机制
由Java语言编写的程序需要经过编译步骤，但是这个编译步骤并不会生成特定平台的机器码，而是生成一种与平台无关的字节码（××.class文件），这种字节码不是可执行的，必须使用java解释器来解释执行。先编译，后执行。...
2019-05-30 09:13:15
106
原创 排序
总结：插入、冒泡排序的速度较慢，但参加排序的序列局部或整体有序时，这种排序能达到较快的速度。反而在这种情况下，快速排序反而慢了。当n较小时，对稳定性不作要求时宜用选择排序，对稳定性有要求时宜用插入或冒泡排序。若待排序的记录的关键字在一个明显有限范围内时,且空间允许是用桶排序。当n较大时，关键字元素比较随机，对稳定性没要求宜用快速排序。当n较大时，关键字元素可能出现本身是有序的，对稳定...
2019-05-30 09:11:55
133
原创 ML模型特点以及区别
线性回归优点：1、简单，运算速度块2、可以根据系数对变量做出解释缺点：1、对异常值敏感LR优点：1、形式简单，可解释性好2、模型效果好3、训练速度快4、资源占用少，尤其是内存5、方便输出结果的调整（人工设定阈值）缺点：1、准确率可能并不是很高2、很难处理数据不平衡的问题3、处理非线性数据麻烦4、LR本身无法筛选特征5、对异常值敏感SVM优点：...
2019-05-30 09:09:59
5640
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人