【小算法】两个 vector,对其中一个排序,另一个位置对应变化

问题

做算法题时需要的一个子步骤,有两个 std::vector<int>,对其中的一个进行从大到小排序,另外一个的位置对应改变

解决方法

假设两个 std::vector<int> v1, v2;

  • 法1:使用 multimap(执行时间长,占内存大)
  std::multimap<int, int, std::greater<int>> m; // val, pos
  for (int i = 0; i < v1.size(); i++) {
    m.insert({v1[i], i});
  }
  // 遍历
  for (auto &it : m) {
    std::cout << v1[it.second] << ", " << v2[it.second] << std::endl;
  }
  • 法2: 使用 vector<pair> (GPT3.5 给出算法,执行时间最短,占内存较优)
  std::vector<std::pair<int, int>> vv;
  for (int i = 0; i < v1.size(); i++) {
    vv.emplace_back(std::make_pair(v1[i], v2[i]));
  }

  std::sort(vv.begin(), vv.end(),
            [](const std::pair<int, int> &a, const std::pair<int, int> &b) {
              return a.first > b.first;
            });

  for (auto &it : vv) {
    std::cout << it.first << ", " << it.second << std::endl;
  }
  • 法3: 测试将 vector<pair> 换成 vector<vector> (比 multimap 性能还要差)
  std::vector<std::vector<int>> vv;
  for (int i = 0; i < v1.size(); i++) {
    vv.emplace_back(std::vector{v1[i], v2[i]});
  }

  std::sort(vv.begin(), vv.end(),
            [](const std::vector<int> &a, const std::vector<int> &b) {
              return a[0]> b[0];
            });

  for (auto &it : vv) {
    std::cout << it[0]<< ", " << it[1]<< std::endl;
  }
  • 法4:新姿势:直接对下标排序(某题解截取,执行时间较优,占内存最小)
    用到了一个 iota 函数,这个是一个希腊字母的读音,C++11 标准引入
  std::vector<int> pos(v1.size());
  std::iota(pos.begin(), pos.end(), 0); // 从 0 开始递增,调用 operator++ 方法
  std::sort(pos.begin(), pos.end(), // 这个快排很巧妙,使用值的大小对下标进行排序
            [&](int i, int j) { return v1[i] > v1[j]; }); // 注意这里会用到下标,所以 pos 数组初始化不能从 1 开始

  for (auto i : pos) {
    std::cout << v1[i] << ", " << v2[i] << std::endl;
  }
  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
初识⼈⼯智能--决策树算法 机器学习中分类和预测算法的评估: * 准确率 * 速度 * 强壮⾏ * 可规模性 * 可解释性 1. 什么是决策树/判定树(decision tree)? 判定树是⼀个类似于流程图的树结构:其中,每个内部结点表⽰在⼀个属性上的测试,每个分⽀代表⼀个属性输出,⽽每个树叶结点代表类 或类分布。树的最顶层是根结点。 2. 机器学习中分类⽅法中的算法 朴素贝叶斯(Naive Bayes, NB) Logistic回归(Logistic Regression, LR) 决策树(Decision Tree, DT) –>本⽂主要讲述决策树 ⽀持向量机(Support Vector Machine, SVM) 3. 构造决策树的基本算法 分⽀ 根结点 结点 树叶 3.1 熵(entropy)概念: 信息和抽象,如何度量? 1948年,⾹农提出了 "信息熵(entropy)"的概念 ⼀条信息的信息量⼤⼩和它的不确定性有直接的关系,要搞清楚⼀件⾮常⾮常不确定的事情,或者是我们⼀⽆所知的事情,需要了解⼤量信 息==>信息量的度量就等于不确定性的多少例⼦:猜世界杯冠军,假如⼀⽆所知,猜多少次? 每个队夺冠的⼏率不是相等的 ⽐特(bit)来衡量信息的多少 变量的不确定性越⼤,熵也就越⼤ 3.1 决策树归纳算法 (ID3) 1970-1980, J.Ross. Quinlan, ID3算法 选择属性判断结点 信息获取量(Information Gain):Gain(A) = Info(D) - Infor_A(D) 通过A来作为节点分类获取了多少信息 计算过程:先单独计算Info(D),以⽬标函数为计算基点,总实例数为14,其中no的实例数为5,yes的实例数为9.通过信息熵公式计算,可 得: 再计算包含age属性时的Info_age_(D),其中age可以划分为三个阶段:youth:占实例总数的5/14,middle_aged占4/14,senior占 5/14,继续通过信息熵公式计算,得到Info_age_(D),再通过信息获得量公式计算出最后的结果。 类似,Gain(income) = 0.029, Gain(student) = 0.151, Gain(credit_rating)=0.048 所以,选择age作为第⼀个根节点(取⼤的) 划分好跟节点后,排除已经称为节点的属性,继续通过该⽅法,可以继续划分结点。若出现划分好的表格中的⽬标函数为同⼀类时(eg: yes),便不需要继续划分。 重复以上步骤。。。 算法: * 树以代表训练样本的单个结点开始(步骤1)。 * 如果样本都在同⼀个类,则该结点成为树叶,并⽤该类标号(步骤2 和3)。 * 否则,算法使⽤称为信息增益的基于熵的度量作为启发信息,选择能够最好地将样本分类的属性(步骤6)。该属性成为该结点的"测试"或"判定"属性(步骤7 )。在算法的该版本中, * 所有的属性都是分类的,即离散值。连续属性必须离散化。 * 对测试属性的每个已知的值,创建⼀个分枝,并据此划分样本(步骤8-10)。 * 算法使⽤同样的过程,递归地形成每个划分上的样本判定树。⼀旦⼀个属性出现在⼀个结点上,就不必该结点的任何后代上考虑它(步骤13)。 * 递归划分步骤仅当下列条件之⼀成⽴停⽌: * (a) 给定结点的所有样本属于同⼀类(步骤2 和3)。 * (b) 没有剩余属性可以⽤来进⼀步划分样本(步骤4)。在此情况下,使⽤多数表决(步骤5)。 * 这涉及将给定的结点转换成树叶,并⽤样本中的多数所在的类标记它。替换地,可以存放结 * 点样本的类分布。 * (c) 分枝 * test_attribute = a i 没有样本(步骤11)。在这种情况下,以 samples 中的多数类 * 创建⼀个树叶(步骤12) 3.1 其他算法: C4.5(Quinlan):它能够处理连续型属性或离散型属性的数据;能够处理具有缺失值的属性数据;使⽤信息增益率⽽不是信息增益作为决策树 的属性选择标准;对⽣成枝剪枝,降低过拟合。 如下为决策树算法框架: C4.5中⽤到的⼏个公式: <1> 训练集的信息熵 其中 m代表分类数,pi为数据集中每个类别所占样本总数的⽐例。 <2> 划分信息熵—-假设选择属性A划分数据集S,计算属性A对集合S的划分信息熵值 case 1:A为离散类型,有k个不同取值,根据属性的k个不同取值将S划分为k各⼦集{s1 s2 …sk},则属性A划分S的划分信息熵为:(其中 "Si" "S" 表⽰包含的样本个数) case 2: A为连续型数据,则按属性A的取值递增排序,将每对相邻值的中点看作可能的分裂点,对每个可能的分裂点,计算: 其中,SL和SR分别对应于该分裂点划分的左右两部分⼦集,选择En

“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