Foliciatarier的博客

此情况下信息增益过小，可以终止决策，将当前节点标签设为最高频类。未知属性值（unknown value），数据集中某些属性值不确定。输入：约束决策树生长参数（最大深度，节点最小样本数，可选），训练集（特征值离散或连续，标签离散）。对于某个连续属性，取训练集中所有属性值的相邻两点中点生成界点集，按每个界点将当前节点样本分为。过程：每次选择信息增益最大的属性决策分类，直到当前节点样本均为同一类，或者信息增益过小。类，当前节点待分类样本中每类样本的个数分别为。，可以终止决策，将当前节点标签设为最高频类。

给定多项式 $A(x) = \Sigma_{i = 0}^n a_i x^i, B(x) = \Sigma_{i = 0}^m b_i x^i$ 的系数 $a_{0 .. n}, b_{0 .. m}$，求其多项式乘积 $C(x) = A(x) B(x) = \Sigma_{i = 0}^{m + n} c_i x^i$ 的各项系数 $c_{0 .. n + m}$

本文是对 HIT 课程信息隐藏技术基础中出现的诸多算法的概括性总结。若无特殊说明，仅对灰度图像进行讨论。在此说明，因为嵌入算法和提取算法成对存在，所以本文在介绍二者时有意模糊其先后关系，相比在当初设计算法之时二者诞生并无先后，甚至有些嵌入算法会调用提取算法作为子步骤，在仅有载体和嵌入信息为先的现实面前实在是一对有趣的矛盾。BMP 图像和 JPEG 图像隐写BMP 图像由位图文件头（14 字节，包含文件类型，大小，偏移字节），位图信息头（40 字节，包括图像尺寸，通道，颜色位数），彩色表（即调色板，可

初始化模型参数 {(αi,μi,Σi)∣1≤i≤k}\{(\alpha_i, \mu_i, \Sigma_i) | 1 ≤ i ≤ k\}{(αi​,μi​,Σi​)∣1≤i≤k}，迭代公式如下：γji=αi⋅p(xj∣μi,Σi)∑l=1kαl⋅p(xj∣μl,Σl)\gamma_{ji} = \frac{\alpha_i \cdot p(x_j | \mu_i, \Sigma_i)}{\sum_{l = 1}^k \alpha_l \cdot p(x_j | \mu_l, \Sigma_l)}γji​

已知初始状态概率向量 pi，状态转移概率矩阵 P，发射概率矩阵 B，求观察序列为 O 的条件下状态序列为 Q 的概率。代码如下：def HMM_ProCond(pi, P, B, Q, O): Q, O = [q - 1 for q in Q], [o - 1 for o in O] N, proNume, proDeno, proCond = len(pi[0]), - numpy.log(pi[0][Q[0]]) - numpy.log(B[Q[0]][O[0]]), 0, []

本文着笔于矩阵 LUP 分解算法，以及利用矩阵的 LUP 分解来解线性方程组、求矩阵对应行列式的值、求逆矩阵。

算法：倍增数据结构：后缀数组

希尔排序可谓是时间复杂度较难分析的一类排序算法之一，其原因在于其增量序列的多样性和构造的复杂性。下面笔者将对几种流传较广的希尔排序的增量序列进行简单的介绍并给出它们的实现代码。

在大多数情况下，我们直觉性的将基数取 10 而不去探究其中的原因，其原因也是显而易见的，因为我们早已习惯使用十进制，而基数取 10 的结果便是每一轮计数排序就是对待排序元素的各个数位从低到高进行计数排序的过程。这样更便于我们理解什么是基数排序。但是，基数就一定要选 10 吗？基数选 10 的方法又是最优的吗？

算法：排序 + 高精度

算法：高精度

Manacher 字符串回文查询算法

KMP 字符串匹配算法