- 博客(5)
- 资源 (7)
- 收藏
- 关注
RSS订阅原创 过拟合高方差，欠拟合高偏差
过拟合是指在训练集上误差小，测试集上误差大；欠拟合是指在训练集和测试集上误差都大。过拟合解决办法：增加训练数据降低模型复杂度增加正则化参数采用集成学习欠拟合解决办法：增加特征提高模型复杂度减小正则化系数过拟合，高方差，低偏差欠拟合，低方差，高偏差要搞清楚原因，只需了解清楚方差和偏差的概念：方差：方差是描述模型每次输出结果与模型输出的期望之间的误差，描述的是模型的稳定性，反映输出值的波动情况偏差：偏差描述模型输出结果与真实值之间的误差，描述模型的拟合程度...
2020-12-28 15:39:08
501
原创 取m和n的中位数溢出解决办法
在LeetCode上刷一道二分的简单题，需要计算m和n的中位数。通常的想法是直接如下即可：int mid = (m + n) / 2;然而mid存在溢出的风险，一种简单的解决办法是把mid的类型改成 long long，如下long long mid = (m + n) / 2;但是改成long long就没意思了，如何优雅一点呢？我首先想了另一个办法，既然是相加再除以2，那除以2后再相加不就好了，即如下int mid = m / 2 + n / 2;这种办法看似正确，然而是存在问题的。
2020-12-22 15:44:23
357
原创 决策树
申明，本部分内容参考了众多网上资料，如有侵权请联系删除。总体介绍决策树（decision tree） 是一种基本的分类与回归方法，利用树形结构进行决策。在进行决策过程中，通常会需要进行一系列的判断或“子决策”，而决策过程中提出的每个判定问题都是对某个属性的“测试”，每个测试的结果要么导出最终结论，要么导出进一步的判定问题。一般的，一颗树包含一个根节点、若干个内部节点和若干个叶节点。叶节点对应于决策结果，其他节点则对应于一个属性测试。决策树学习的目的是产生一颗泛化能力强，即处理未见示例能力强的决策树。
2020-12-20 18:31:43
409
原创 python中的round
参考资料：python的round函数使用python的round函数作用是四舍五入，其函数定义如下：round接收两个参数，第一个是数字，第二个是保留的位数，如果不显式给定第二位，则默认不保留小数。round中存在一个陷阱如下，即对于x.675保留两位小数时，若x>1，则会返回x.67。同时，ndigits可以取负数，若取负数则是对整数部分进行四舍五入操作。...
2020-12-17 13:26:24
6426
原创 字符串匹配算法-Sunday
以往不论是上课还是各种资料书上，看到关于字符串匹配的算法，大抵都是KMP了。然而KMP的next数组理解起来颇为费劲，且容易忘记。在LeetCode刷题中偶然发现了一个叫Sunday的算法，不仅容易理解，且经过其他博主测评，Sunday的效率还要高于KMP算法，因此本文记录一下Sunday算法的思路。参考资料：Sunday 解法KMP、BM、Sunday、Horspool、strstr字符串匹配算法的性能比较首先briefly陈述一下问题即获得模式串第一次在目标字符串中出现的位置。Sun
2020-12-15 17:00:50
155
软件学报模板2016.zip
2019-12-28
利用bootstrap与jQuery制作的响应式自适应导航栏
2017-07-11
bootstrap实现响应式自适应导航栏，并实现平滑滚动
2017-07-11
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人