《英雄编程体验课》第 15 课 | C语言中的数学库

已于 2023-03-09 13:44:13 修改 47039 收藏 3712
分类专栏： 《英雄编程体验课》限时9.9 文章标签： 算法 数据结构 C/C++ 数学
于 2021-07-05 08:45:28 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/WhereIsHeroFrom/article/details/118382228
版权
了解本专栏 订阅专栏 解锁全文
英雄哪里出来
关注
  • 2428
    点赞
  • 踩
  • 3712
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 1202
    评论
专栏目录
订阅专栏
算法与数据结构基础进阶
09-11
算法与数据结构基础进阶视频，从基础到案例讲解。。。
零基础小白来说，学习算法的学习路线可以分为以下几步
qq_34521072的博客
04-09 102
可以选择一些经典的算法题目集，例如《算法竞赛入门经典》、LeetCode等。在学习算法之前，需要先学习计算机基础知识，例如数据结构、算法复杂度、基本编程语法等。在学习了一定量的基础算法之后，可以深入学习一些高级算法，例如动态规划、图论等。此时可以选择一些更高级的算法教材，例如《算法》、《算法导论》等。需要注意的是，学习算法需要坚持练习，并且需要有耐心。一开始可能会觉得很难，但只要不断练习，理解算法的思路和思考过程，相信一定能够掌握算法。在掌握了一定量的算法知识之后，可以尝试进行一些算法相关的实践项目。
【1.数据结构和算法学习目录】
01-07
本专栏记录研究生期间算法学习过程，从基础回顾到算法落地。算法学习范围为蓝桥杯官网提供的命题范围： 计算机算法：枚举、排序、搜索、计数、贪心、动态规划、图论、数论、博弈论*、概率论*、计算几何*、字符串算法等。 数据结构：数组、对象/结构、字符串、队列、栈、树、图、堆、平衡树/线段树、复杂数据结构*、嵌套数据结构*等。 数据结构是本科必修课，不需要再从头开始复习。 需掌握：数据结构的八大分类  学习记录： 【C++ STL 容器】 【算法——二叉树】 【算法——字符串】 【算法——数组】 【2.排序算法】 【2.排序算法——编程题】 【3.搜索算法】 【3.搜索算法——编程题】 【4.贪心算法】
Matlab编写NSGA-2多目标优化算法
02-23
使用matlab编写NSGA-2多目标优化算法： 1）针对测试函数集ZDT1进行的NSGA-Ⅱ算法的编写； 2）本程序有详细的备注解释； 3）包含论文《非支配排序遗传算法（NSGA）的研究与应用》.pdf，用来指导学习NSGA-Ⅱ算法
数据结构期末代码总结
01-15
一学期的代码总结，重点是树和图的算法，最短路，深搜广搜等。13级软件工程。
7个回归分析方法思维导图.png
05-22
7个回归分析方法 什么是回归分析？ 回归分析是一种预测性的建模技术，它研究的是因变量（目标）和自变量（预测器）之间的关系。 这种技术通常用于 预测分析、 时间序列模型 以及发现变量之间的因果关系。 例如，司机的鲁莽驾驶与道路交通事故数量之间的关系，最好的研究方法就是回归。 回归分析是建模和分析数据的重要工具。 在这里，我们使用曲线/线来拟合这些数据点， 在这种方式下，从曲线或线到数据点的距离差异最小。 我会在接下来的部分详细解释这一点。 我们为什么使用回归分析？ 如上所述，回归分析估计了两个或多个变量之间的关系。 下面，让我们举一个简单的例子来理解它： 比如说，在当前的经济条件下，你要估计一家公司的销售额增长情况。 现在，你有公司最新的数据，这些数据显示出销售额增长大约是经济增长的2.5倍。 那么使用回归分析，我们就可以根据当前和过去的信息来预测未来公司的销售情况。 使用回归分析的好处良多。 具体如下： • 它表明自变量和因变量之间的显著关系 它表明多个自变量对一个因变量的影响强度 回归分析也允许我们去比较那些衡量不同尺度的变量之间的相互影响，如价格变动与促销活动数量之间联系。 这些有利于帮助市场研究人员，数据分析人员以及数据科学家排除并估计出一组最佳的变量，用来构建预测模型。 我们有多少种回归技术？ 有各种各样的回归技术用于预测。 这些技术主要有三个度量 （自变量的个数， 因变量的类型 回归线的形状）。 对于那些有创意的人，如果你觉得有必要使用上面这些参数的一个组合，你甚至可以创造出一个没有被使用过的回归模型。 但在你开始之前，先了解如下最常用的回归方法： 1. 线性回归（Linear Regression） 线性回归通常是人们在学习预测模型时首选的技术之一。 在这种技术中， 因变量是连续的， 自变量可以是连续的也可以是离散的， 回归线的性质是线性的。 线性回归使用最佳的拟合直线（也就是回归线） 在因变量（Y）和一个或多个自变量（X）之间建立一种关系。 用一个方程式来表示它，即 Y=a+b*X + e， 其中a表示截距， b表示直线的斜率， e是误差项。 这个方程可以根据给定的预测变量（s）来预测目标变量的值。 现在的问题是：我们如何得到一个最佳的拟合线呢？ 这个问题可以使用最小二乘法轻松地完成。 一元线性回归和多元线性回归的区别在于， 多元线性回归有（>1）个自变量， 而一元线性回归通常只有1个自变量。 最小二乘法也是用于拟合回归线最常用的方法。 对于观测数据，它通过最小化每个数据点到线的垂直偏差平方和来计算最佳拟合线。 因为在相加时，偏差先平方，所以正值和负值没有抵消。 我们可以使用R-square指标来评估模型性能。 要点： • 自变量与因变量之间必须有线性关系 • 多元回归存在多重共线性，自相关性和异方差性 线性回归对异常值非常敏感。它会严重影响回归线，最终影响预测值 多重共线性会增加系数估计值的方差，使得在模型轻微变化下，估计非常敏感。 结果就是系数估计值不稳定， 在多个自变量的情况下，我们可以使用向前选择法，向后剔除法和逐步筛选法来选择最重要的自变量。 2. 逻辑回归（Logistic Regression） 逻辑回归是用来计算“事件=Success”和“事件=Failure”的概率。 当因变量的类型属于二元（1 / 0，真/假，是/否）变量时，我们就应该使用逻辑回归。 这里，Y的值从0到1，它可以用下方程表示。 odds= p/ (1-p) = probability of event occurrence / probability of not event occurrence ln(odds) = ln(p/(1-p)) logit(p) = ln(p/(1-p)) = b0+b1X1+b2X2+b3X3....+bkXk 概要 上述式子中，p表述具有某个特征的概率。 你应该会问这样一个问题：我们为什么要在公式中使用对数log呢？ 因为在这里我们使用的是的二项分布（因变量），我们需要选择一个对于这个分布最佳的连结函数。 它就是Logit函数。 在上述方程中，通过观测样本的极大似然估计值来选择参数， 而不是最小化平方和误差（如在普通回归使用的）。 要点： • 它广泛的用于分类问题。 逻辑回归不要求自变量和因变量是线性关系。 它可以处理各种类型的关系，因为它对预测的相对风险指数OR使用了一个非线性的log转换。 逻辑回归是用于分类的~这个得记住 为了避免过拟合和欠拟合，我们应该包括所有重要的变量。 有一个很好的方法来确保这种情况， 就是使用逐步筛选方法来估计逻辑回归。 它需要大的样本量，因为在样本数量较少的情况下，极大似然估计的效果比普通的最小二乘法差。 自变量不应该相互关联的，即不具有多重共线性。 然而，在分析和建模中，我们可以选择包含分类变量相互作用的影响。 • 如果因变量的值是定序变量，则称它为序逻辑回归 • 如果因变量是多类的话，则称它为多元逻辑回归 3. 多项式回归（Polynomial Regression） 对于一个回归方程，如果自变量的指数大于1，那么它就是多项式回归方程。 如下方程所示：y=a+b*x^2 在这种回归技术中，最佳拟合线不是直线。 而是一个用于拟合数据点的曲线。 重点： 虽然会有一个诱导可以拟合一个高次多项式并得到较低的错误，但这可能会导致过拟合。 你需要经常画出关系图来查看拟合情况，并且专注于保证拟合合理，既没有过拟合又没有欠拟合。 下面是一个图例，可以帮助理解： 明显地向两端寻找曲线点，看看这些形状和趋势是否有意义。 更高次的多项式最后可能产生怪异的推断结果。 4. 逐步回归（Stepwise Regression） 在处理多个自变量时，我们可以使用这种形式的回归。 在这种技术中，自变量的选择是在一个自动的过程中完成的，其中包括非人为操作。 这一壮举是通过观察统计的值，如R-square，t-stats和AIC指标，来识别重要的变量。 逐步回归通过同时添加/删除基于指定标准的协变量来拟合模型。 下面列出了一些最常用的逐步回归方法： • 标准逐步回归法做两件事情。即增加和删除每个步骤所需的预测。 • 向前选择法从模型中最显著的预测开始，然后为每一步添加变量。 • 向后剔除法与模型的所有预测同时开始，然后在每一步消除最小显着性的变量。 这种建模技术的目的是使用最少的预测变量数来最大化预测能力。 这也是处理高维数据集的方法之一。 5. 岭回归（Ridge Regression） 岭回归分析是一种用于存在多重共线性（自变量高度相关）数据的技术。 在多重共线性情况下，尽管最小二乘法（OLS）对每个变量很公平，但它们的差异很大，使得观测值偏移并远离真实值。 岭回归通过给回归估计上增加一个偏差度，来降低标准误差。 上面，我们看到了线性回归方程。还记得吗？ 它可以表示为：y=a+ b*x 这个方程也有一个误差项。完整的方程是： y=a+b*x+e (error term) , [error term is the value needed to correct for a prediction error between the observed and predicted value] => y=a+y= a+ b1x1+ b2x2+....+e, for multiple independent variables. 在一个线性方程中，预测误差可以分解为2个子分量。 一个是偏差， 一个是方差。 预测错误可能会由这两个分量或者这两个中的任何一个造成。 在这里，我们将讨论由方差所造成的有关误差。 岭回归通过收缩参数λ（lambda）解决多重共线性问题。 看下面的公式： 在这个公式中，有两个组成部分。 第一个是最小二乘项， 另一个是β2（β-平方）的λ倍，其中β是相关系数。 为了收缩参数把它添加到最小二乘项中以得到一个非常低的方差。 要点： 除常数项以外，这种回归的假设与最小二乘回归类似； 它收缩了相关系数的值，但没有达到零，这表明它没有特征选择功能，这是一个正则化方法，并且使用的是L2正则化。 6. 套索回归（Lasso Regression） 它类似于岭回归。 Lasso （Least Absolute Shrinkage and Selection Operator）也会惩罚回归系数的绝对值大小。 此外，它能够减少变化程度并提高线性回归模型的精度。 看看下面的公式： Lasso 回归与Ridge回归有一点不同，它使用的惩罚函数是绝对值，而不是平方。 这导致惩罚（或等于约束估计的绝对值之和）值使一些参数估计结果等于零。 使用惩罚值越大，进一步估计会使得缩小值趋近于零。 这将导致我们要从给定的n个变量中选择变量。 要点： • 除常数项以外，这种回归的假设与最小二乘回归类似 • 它收缩系数接近零（等于零），确实有助于特征选择 这是一个正则化方法，使用的是L1正则化 7. 回归（ElasticNet） ElasticNet是Lasso和Ridge回归技术的混合体。 它使用L1来训练并且L2优先作为正则化矩阵。 当有多个相关的特征时，ElasticNet是很有用的。 Lasso 会随机挑选他们其中的一个，而ElasticNet则会选择两个。 Lasso和Ridge之间的实际的优点是，它允许ElasticNet继承循环状态下Ridge的一些稳定性。 要点： 它可以承受双重收缩 • 选择变量的数目没有限制 • 在高度相关变量的情况下，它会产生群体效应 除了这7个最常用的回归技术，你也可以看看其他模型，如Bayesian、Ecological和Robust回归。 如何正确选择回归模型？ 当你只知道一个或两个技术时，生活往往很简单。 我的老师曾告诉我，如果结果是连续的，就使用线性回归。 如果是二元的，就使用逻辑回归！ 然而，在我们的处理中，可选择的越多，选择正确的一个就越难。 类似的情况下也发生在回归模型中。 在多类回归模型中，基于自变量和因变量的类型，数据的维数以及数据的其它基本特征的情况下，选择最合适的技术非常重要。 以下是你要选择正确的回归模型的关键因素： 1. 数据探索是构建预测模型的必然组成部分 在选择合适的模型时，比如识别变量的关系和影响时，它应该首选的一步。 2. 比较适合于不同模型的优点，我们可以分析不同的指标参数 如统计意义的参数，R-square，Adjusted R-square，AIC，BIC以及误差项，另一个是Mallows' Cp准则。 这个主要是通过将模型与所有可能的子模型进行对比（或谨慎选择他们），检查在你的模型中可能出现的偏差。 3. 交叉验证是评估预测模型最好额方法 在这里，将你的数据集分成两份（一份做训练和一份做验证）。 使用观测值和预测值之间的一个简单均方差来衡量你的预
BAT算法工程师的成长之路，超详细的学习路线
Jack-Cui
10-09 2万+
算法的学习路线，主要分为 4 个部分：数学基础、编程能力、算法基础、实战。
《算法和数据结构》从语言到算法的过渡篇
热门推荐
英雄哪里出来
09-30 4万+
《算法和数据结构》学习路线总纲
算法学习路线
SafeVidulInfo的博客
07-07 1098
算法学习是一条漫长而又苦涩的道路。之所以漫长，是因为有关算法的学习是无穷无尽的，如果你不想经历程序员的35岁之劫难，那就要不断地学习算法，提高自己的不可替代性。之所以是苦涩，是因为算法更像是数学题，对智力是有一定要求的，学习算法的过程中总是会质疑自己，相较于一些学会就能用的技术而言，算法学习进步又不是那么显而易见，但是又是每一个程序员必须经历的。 所以学习的方法很重要，在自己智力、自制力以及一些其他我们无法控制的因素都是固定的情况下，因为这些因素都很难改变，方法的好坏直接决定我们学习的效率。 废话不多说直接
算法学习路线图
qq_43573663的博客
01-29 1012
关于算法的讨论
在C语言中以编程的方式获取函数名
07-29
仅仅为了获取函数名，就在函数体中嵌入硬编码的字符串，这种方法单调乏味还易导致错误，不如看一下怎样使用新的C99特性，在程序运行时获取函数名吧。
C语言高效编程的第一招
08-04
编写高效简洁的C 语言代码，是许多软件工程师追求的目标。本文就工作中的一些体会和经验做相关的阐述。
数据结构与算法学习
03-31
NULL 博文链接：https://mljavalife.iteye.com/blog/1389001
机器学习算法地图
09-09
很多同学在学机器学习和深度学习的时候都有一个感受：所学的知识零散、不系统，缺乏整体感，这是普遍存在的一个问题。在这里，SIGAI 对常用的机器学习和深度学习算法进行了总结，整理出它们之间的关系，以及每种算法的核心点，各种算法之间的比较。由此形成了一张算法地图，以帮助大家更好的理解和记忆这些算法。
algorithm-stone:算法竞赛路线图，最全的算法学习地图！
03-11
算法·进阶石（algorithm-stone）-进击的每一步！ 本项目是公众号《 ACM算法日常》整理的一个算法学习路线图。 使用说明： 1叉本项目； 2使用鼠标单击下面的图片，会打开一个svg文件，按照svg文件中过渡从上到下从左往右的顺序刷题，过渡顺序是精心编排的，减少做题的梯度； 3使用vscode的leetcode插件做题； 4将做过的题放到用户目录中，可以点亮译文。 提示：点击svg文件中的译文，可以替换到译文页面。 Leetcode路线图合集 小众题路线图（进度10％） 树路线图（进度100％） 动态规划路线图（进度40％） 链表路线图（进度10％） 并查集路线图（进度10％） Codeforces路线图（进度1％） 安装开发环境 详细的开发说明参考： Leetcode规划模块 以下是Leetcode所有模块，按照转移数量进行排序。 中文名称 英文名称 译文数量 整理人 拒
数据结构与算法学习目录
02-11
该文档主要讲解了数据结构与算法学习线路，文档主要包含6部分。
我的算法学习之路
08-08
我的算法学习之路
gpio编程与c51编程中c语言有什么相同与不同
最新发布
05-12
GPIO编程和C51编程都是使用C语言进行控制系统的编程，它们有相同的部分和不同的部分。 相同部分： 1. 都需要使用C语言进行编写； 2. 都是用来控制系统进行操作，包括输入、输出、控制等操作； 3. 都需要使用相应的编译器（如Keil、IAR等）进行编译。 不同部分： 1. GPIO编程主要用于控制各种输入输出模块，例如LED、按键、数码管等，而C51编程则主要用于嵌入式芯片（如AT89C51）的控制； 2. 在GPIO编程中，我们需要对各种单元进行初始化，设置模式等，而在C51编程中，我们需要进行定时器、串口等的配置； 3. GPIO编程一般使用的是开发板，而C51编程则需要使用相应的开发工具和调试器。 综上所述，GPIO编程和C51编程都需要用C语言进行编写，但是它们的应用场景和使用方法不同，需要注意的问题和技巧也不同。在学习时需要针对具体的应用场景进行选择和学习。

“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 1202
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
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

打赏作者

英雄哪里出来

你的鼓励将是我创作的最大动力

¥2 ¥4 ¥6 ¥10 ¥20
输入1-500的整数
余额支付 (余额：-- )
扫码支付
扫码支付：¥2
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
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、C币套餐、付费专栏及课程。

余额充值