邻值查找CH1301(平衡树)

给定一个长度为 n 的序列 A,A 中的数各不相同。对于 A 中的每一个数 A i ,求:m i n ( 1 ≤ j < i ) ⁡ ∣ A i − A j ∣,以及令上式取到最小值的 j(记为 P i )。若最小值点不唯一,则选择使 A j 较小的那个。
数据范围:n<=105 ,|Ai|<=109
题解:可以借助set来实现,set的查找是O(log n)的,最终的时间复杂度大约为O(n log n)

#include<iostream>
#include<cstdio>
#include<cstring>
#include<algorithm>
#include<set>
#include<cmath>
#include<cstdlib>
using namespace std;
const int u=100010;
int h[u], g[3], n, m, p;
struct rec{int x,y;};
set<rec> s;
set<rec>::iterator it,lt,rt;

bool operator <(rec a,rec b)
{
	return a.y<b.y;
}
bool cmp(int a,int b,int i)
{
	return abs(h[a]-h[i])<abs(h[b]-h[i])||abs(h[a]-h[i])==abs(h[b]-h[i])&&h[a]<h[b];
}

int main()
{
	cin>>n;
	for(int i=1;i<=n;i++) scanf("%d",&h[i]);
	for(int i=1;i<=n;i++)
	{
		rec pr; pr.x=i, pr.y=h[i];
		s.insert(pr);
		it=s.find(pr);//查找pr所在位置 
		
		lt=it, rt=it, m=0;
		if(lt!=s.begin()) lt--,g[++m]=lt->x;//查找前驱 
		if(rt++,rt!=s.end()) g[++m]=rt->x; //查找后驱 
		
		if (i>=2) {
			if (m<2 || cmp(g[1], g[2], i)) p=g[1]; else p=g[2];
			//找到最小值的下标 
			printf("%d %d\n", abs(h[i]-h[p]), p);
		}
	}
	return 0;
}
  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
决策算法是一种常用的机器学习算法,其主要用于分类和回归任务。在Python中,可以使用scikit-learn库的DecisionTreeClassifier类来实现决策算法。 以下是一个简单的决策算法的Python代码示例: ```python from sklearn import datasets from sklearn.model_selection import train_test_split from sklearn.tree import DecisionTreeClassifier from sklearn import metrics # 加载数据集 iris = datasets.load_iris() X = iris.data # 特征 y = iris.target # 目标变量 # 将数据集拆分为训练集和测试集 X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=1) # 创建决策分类器 clf = DecisionTreeClassifier() # 在训练集上训练模型 clf.fit(X_train, y_train) # 在测试集上进行预测 y_pred = clf.predict(X_test) # 评估模型性能 print("准确率:", metrics.accuracy_score(y_test, y_pred)) ``` 以上代码首先导入所需的库,包括`datasets`模块来加载数据集,`train_test_split`模块来拆分训练集和测试集,`DecisionTreeClassifier`类用于创建决策分类器,`metrics`模块用于评估模型性能。 然后,加载鸢尾花数据集,并将数据集分为特征和目标变量。接下来,将数据集拆分为训练集和测试集,其中测试集占总样本的30%。 然后,创建决策分类器对象,并在训练集上训练模型。最后,使用训练好的模型对测试集进行预测,并通过准确率评估模型的性能。 这是一个简单的决策算法的Python代码示例,你可以根据自己的需求进行扩展和修改。

“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