haha_426的博客

1、题目：把字符串转化为数字输出，前面是空格符号要去掉，正负号判断，接着如果是数字就对这个字符串进行转换，为其他字符（英文或者其他特殊字符就要结束），例：2、采用正则式判断字符串能否进行转换，用max（）和min（）来控制数字范围。代码如下：简单到惊呆我八百年！！class Solution(object): def myAtoi(self, s): """ :type s: str :rtype: int "".

1、题目：找出两个有序数组的中位数！例子：（就这么简单粗暴嘞）输入：nums1 = [1,3], nums2 = [2]输出：2.00000解释：合并数组 = [1,2,3] ，中位数 22、解题思路：常规想法哈：最暴力的解法就是先拼接两个数组，再根据定义去找出合并后的数组的中位数。但是这个方法实在是太“暴力”了，时间复杂度跟空间度都很大。在这个基础之上进行优化（我在力扣这题的评论下面学到的，太牛啦！！）：只循环n/2+1次（n是合并后数组的长度)，其实就是刚好走到...

1、题目：Z字变换（其实是N字变换吧），按照给定行数，把指定字符串从上到下、从左到右进行排列。例子："PAYPALISHIRING" 行数为3结果：P A H NA P L S I I GY I R2、解题思路：my：一开始想着定义n个数组，n等于输出的行数，就是按行去存储字符。问题在于怎么求得每行的字符，试图找出每行字符的下标之间的联系，无果哈哈哈哈。在这里审题的时候还犯了一个错误，我以为所有输出的时候要像上面一样，中间要有空格隔开，其实并没有，只是字符串顺序

首先，第一个问题：tensorflow是什么？ 它是一个基于数据流图解决数值计算的开源软件库，现主要应用于深度学习，在我的理解上就是tensorflow可以完成神经网络的构建，进行一系列的数据计算（包括线性变化，激活函数等）。 其次，tensor又是啥？ 通过搜索各大大神的笔记，这样理解：tensor又叫张量，在整个大框架里面就是一个装数据的桶子，他把所有形式的数据都用N维向量来表示。 就我在b站的学习视频来总结，我认为tensorflow在深度学习上的...

在学习CNN之前需要了解的是神经网络，为了使得计算机像我们人类一样拥有自己思考的能力，不仅仅是在计算一些预测值（就像回归问题一样，只是单纯的去得出一个值），就此诞生了像人类的神经元一样的结构，神经元之间相互联系构成神经网络，可以通过输入数据来得出结果，比如判断图片中是什么动物、判断图片中车辆属于哪一种类型等。1.1 基本结构上图就是神经元的结构，均为输入数据，为权重，b代表偏置值，g(z)为激活函数，a为输出结果。可以参照之前学习过的逻辑回归的结构。神经元是神经网...

首先需要明确一下回归和分类两大问题的区别：回归是属于预测值地问题，就好比经典的预测房价；而分类问题就是需要判断样本地类别，有二元分类（如邮件是否为垃圾邮件）和多元分类（如输入一则新闻，输出新闻所属地类别）。而逻辑回归是属于分类算法！可用于解决二元分类问题，要注意区别与线性回归。 这个公式为sigmoid函数； 关于逻辑回归使用sigmoid函数的原因：在实际应用时，线性公式求出的值往往都很大，看第一个公式就...

全概率公式：Bi是样本空间的划分，A代表一个事件贝叶斯公式：朴素贝叶斯分类：想象成一个由果索因的过程，一般日常生活中我们常常容易求得的是P( B | A）而真正应用时，P( A | B)更具有现实意义，就比如A代表得肺癌，B代表长期吸烟，根据病人吸烟的概率去求得患癌症的概率时更有意义的。所以在使用朴素贝叶斯进行分类时，B代表类别，就需要求出最大的 p(B | A)综上：y为算法模型输出的预测值朴素贝叶斯分类：...

KNN算法的核心思想就像是一句古语：近朱者赤近墨者黑。核心就是根据样本临近的其他样本来判断它属于哪一类，判断标准就是距离，它跟哪一类隔得近（玩的好，关系好）他就归属于哪一类。所以在KNN算法中主要的三个步骤就是：算距离，找邻居，分类。KNN与K-means有些相像，但后者是无监督学习，而KNN属于监督学习。 在计算距离时常用的距离公式有：欧式距离和曼哈顿距离 注意K代表的含义：类别数，所以K的取值非常重要，K太小时会造成过拟合，过大会造成欠拟合。K的取值一般不...

作为一种基本的分类算法，决策树的概念如同他的名字一样，是基于树这一定义而言的，通过特定的标准选择内部节点（就是树的分叉点）。决策树最为主要的三个步骤就是：特征选择，构建决策树，剪枝。1、需要了解的是一些基本概念：信息熵：所有可能发生事件所带来的信息量的期望 符号频率越均匀，信息熵就越高条件熵：在一定条件下，一个特征的熵信息增益：代表的是一个特征能为分类系统带来多少信息：信息熵-条件熵信息增益率： 该特征的信息增益除以熵Gini系数：在CA...

1、np.eye(N, M=None, k=0, dtype=<class ‘float’>, order=‘C’)创建一个N行M列的矩阵：对角阵元素全部为1，其余位置全部为0，相当于就是一个单位矩阵。dtype：返回数组的类型，k表示的是对角线上的第一个元素的位置，为1时表示向右移一个单位，-1时表示向左移一个单位。例：a=np.eye(3,5,1)[[0. 1. 0. 0. 0.][0. 0. 1. 0. 0.]...

1、plt.plot(x,y,format_string,**kwargs) 用于绘制图像 与show（）结合使用x表示x轴数据；format_string控制曲线的格式字串，包括颜色字符，风格字符，和标记字符**kwards：color 颜色linestyle 线条样式marker 标记风格markerfacecolor 标记颜色markersize 标记大小 等等...

1、enumerate（）函数 用于枚举，返回的是元组基本参数：sequence：输出的数据，可以是列表、元组等index：数据返回时的索引值，没有赋值时从0开始2、map（函数名，数据）函数map将函数运用在每一个数据，返回一个列表3、lambdaargument_list: expression基本参数：argument_list：传入的数据expression：函数执行的操作例：add=lambda x, y: x+y，定义了加法函数...

1、pandas.read_csv函数 用于读取文件基本参数：filepath_or_buffer 文件的路径header 作为每一列的别名（即第一行的值），当文件没有设置列名时：默认值为0：表示使用文件中原来存在的列名，也可能就是第一行的数据；当设置值为None时：表示用【0，1，2....】来作为列名names 用于结果的列表名称,再输出时自己设定列名，可以用列表的形式来定义，比如names=['population','profite']，当header=None时，...

在看了很多篇博客之后，作为小白的我写一下我对svm的理解。 1、svm（support vector machine)是一种二分类的方法，之所以被叫做：支持向量机，在我的理解上是因为算法要求找到一个基于向量的超平面，这个超平面将数据样本来进行一个划分。它的基本模型被称作：间隔最大的分类器，原因在于所找到的超平面需要有最大的几何间隔，需要具有更好的鲁棒性，能够很好的区分数据样本。 2、所以，第一步要做的就是找到这个超平面，超平面可以用来定义，以此得知要建立超平面就需要求出w和b...

逻辑回归：适用于解决分类问题，区别于线性回归：线性回归用于解决预测性的问题，都是连续性的值，而逻辑回归则需要将数据进行分类。正则化：为了解决过拟合的问题。（提一句 过拟合：就是画出来的曲线跟训练集完全吻合，丝毫不差，把很多噪声都弄进去了，就是很多不必要的信息也算入。当使用测试集的时候就不能很好地进行泛化咯！）正则化就是使用对一些特征的惩罚来减少这些特征的影响，我觉得其实就是在某种程度上减少特征，把过拟合向正常拟合靠近。注意：正则化参数的大小是很重要的！！实验：首先！导入所需要用到的库：i.

首先需要导入所需要用到的三个库：numpy、pandas、matplotlibimport numpy as npimport pandas as pdimport matplotlib.pyplot as plt读取文件：用read _csv函数进行读取path = r'C:\Users\噗噗噗噗了个pi\Desktop\machine learning-data\ex1data1.txt'#文件位置data = pd.read_csv(path, header=None,name

在学习反向传播算法之前，需要先弄清楚前向传播。<-----------------------------------------前向传播求损失，反向传播求误差--------------------------------------->由图可见，输入层和权重经过线性变化之后会得到Z（即图中的Z1和Z2），在隐藏层经过激活函数（如sigmoid函数）得到A（即图中的a1和a2），第二层隐藏层也是如此计算，最后得到输出值，这个过程就叫做前向传播。得到的输出值与实际的值y存在误差.