MJ系列之算法汇总

Part1 排序算法

排序

选择

从待排序数组中选择一个最小(或最大)数字,放入新数组中。
时间复杂度O(n^2)

function insertSort(arr){
   
    var tmp;
    for(var i=1;i<arr.length;i++){
   
        tmp  = arr[i];
        for(var j=i;j>=0;j--){
   
            if(arr[j-1]>tmp){
   
                arr[j]=arr[j-1];
            }else{
   
                arr[j]=tmp;
                break;
            }
        }
    }
    returan arr
}

快排

在数据集之中,选择一个元素作为”基准”(pivot)。
所有小于”基准”的元素,都移到”基准”的左边;所有大于”基准”的元素,都移到”基准”的右边。这个操作称为分区 (partition)操作,分区操作结束后,基准元素所处的位置就是最终排序后它的位置。
对”基准”左边和右边的两个子集,不断重复第一步和第二步,直到所有子集只剩下一个元素为止。
时间复杂度O(nlogn)


function quicksort(arr){
   
  function swap(left, arr, right){
   
    var temp = arr[left]
    arr[left] = arr[right]
    
    arr[right] = temp
  }
  function partition(arr, left, right){
   
    var pivot = right
    var index = left
    for(var i=left; i<right;i++){
   
      if(arr[i]<arr[pivot]){
   
        swap(arr,i, index)
        index++
      }
    }
    swap(storeIndex, arr, right)
      return storeIndex
  }
  function partition(left, arr, right){
   
    var pivot = right
    var storeIndex = left
    for(var i=left;i<right;i++){
   
      if(arr[i]<arr[pivot]){
   
        swap(i, arr, storeIndex)
        storeIndex++
      }
    }
    swap(storeIndex, arr, right)
      return storeIndex
 }
  function sort(left, arr, right){
   
    if(left>right) return
    var storeIndex = partition(left, arr, right)
    sort(left,arr,storeIndex-1)
    sort (storeIndex+1, arr, right)
  }
  sort(0,arr,arr.length-1)
  return arr
}

冒泡

每次比较相邻的两个数,如果第一个比第二个大,就交换他们两个。
时间复杂度O(n^2)

function bubbleSort(arr) {
   
    var len = arr.length;
    for(var i = 0;i < len;i++) {
   
        for(var j = 0;j < len-1-i;j++) {
   
            if(arr[j] > arr[j+1]) {
   // 相邻元素两两比较
                var temp = arr[j+1];// 元素交换
                arr[j+1] = arr[j];
                arr[j] = temp;
            }
        }
    }
    return arr;
}

插入

每次从待排序元素里取出一个数插入已排序数组的相应位置
时间复杂度O(n^2)

function insertSort(arr){
   
    var tmp;
    for(var i=1;i<arr.length;i++){
   
        tmp  = arr[i];
        for(var j=i;j>=0;j--){
   
            if(arr[j-1]>tmp){
   
                arr[j]=arr[j-1];
            }else{
   
                arr[j]=tmp;
  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
ReliefF算法是一种特征选择算法,用于在高维特征样本中选取具有代表性的特征,从而降低样本特征维度。它是Relief算法的进阶版本,相比于Relief算法,ReliefF不仅可以用于二分类任务,还可以用于多分类任务和回归任务。\[1\] ReliefF算法的具体步骤如下: 1. 输入:训练集D,抽样次数m,特征权重阈值δ,最近邻样本个数k。 2. 输出:各个特征的特征权重T。 3. 初始化所有特征权重为0,T为空集。 4. 重复m次以下步骤: a. 从训练集D中随机选择一个样本R。 b. 从R的同类样本集中找到R的k个最近邻Hj(j=1,2,...,k),从每一个不同类样本集中找到k个最近邻Mj(C)。 c. 对于每个特征A(1到N),根据以下公式更新特征权重W(A): W(A) = W(A) - Σj=1k diff(A,R,Hj)/(mk) + ΣC∉class(R) \[p(C)/(1-p(class(R))) Σj=1k diff(A,R,Mj(C))\]/(mk) 5. 得到各特征的平均权重。 ReliefF算法通过计算特征与样本之间的距离差异来评估特征的重要性,权重越大表示特征的分类能力越强,权重越小表示特征的分类能力越弱。该算法的运行效率非常高,时间复杂度与抽样次数m和原始特征个数N成线性关系。\[2\]\[3\] #### 引用[.reference_title] - *1* [Matlab中特征选择reliefF算法使用方法(分类与回归)](https://blog.csdn.net/weixin_44248258/article/details/122180369)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v91^insertT0,239^v3^insert_chatgpt"}} ] [.reference_item] - *2* *3* [特征选择之relief及reliefF算法](https://blog.csdn.net/littlely_ll/article/details/71614826)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v91^insertT0,239^v3^insert_chatgpt"}} ] [.reference_item] [ .reference_list ]

“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