- 博客(5)
- 收藏
- 关注
RSS订阅原创 说明伯努利模型的极大似然估计以及贝叶斯估计中的统计学习方法三要素。假设观测到伯努利模型n次独立的数据生成结果，其中k次的结果为1，这时可以用极大似然估计或贝叶斯估计来估计结果为1的概率。
假设观测到伯努利模型n次独立的数据生成结果，其中k次的结果为1，这时可以用极大似然估计或贝叶斯估计来估计结果为1的概率。设实验结果只有两个即A或Ã，且P（A）=p，P（Ã）=1-p=q，独立的重复的进行n次实验，在n重贝努利模型事件A恰恰出现K次的概率常称为二项概率，通常与实际情况相符，这个概率常称为二项概率。Beta分布是一种连续型概率密度分布，表示为x~Beta（a，b），由两个参数a，b决定，称为形状参数。根据伯努利模型的贝叶斯估计，估计结果为1的概率。即贝叶斯估计等于极大似然估计。
2023-07-17 17:30:20
503
1
原创 不使用深度模型框架，只利用Tensor和autograd来实现一个线性回归的训练
j = torch.LongTensor(indices[i:min(i + batch_size, num_examples)]) # 最后一次可能不足一个batch。print('epoch %d, loss %f' % (epoch+1, train_l.mean().item())) # item是得到一个元素张量里面的元素值。# 二、准备数据生成器，每次生成我们所需要的batch_size大小的数据和标签。# true_w 类型要求是 [x, -1] 其中x可以是任何数。# 四、定义网络结构，
2023-07-17 10:00:08
60
1
原创 codevs3269混合背包
这是一道裸题 只不过，对pascal很不友善，交着T了，后来发现用了个maxx函数，常数大改了便ACvar n,m,num,q,i,j:longint; a,s1,w1,v1,bz,v,w,f:array[0..1000000] of longint;{function maxx(a,b:longint):longint;begin if a>b then maxx:=a
2017-09-10 08:19:21
240
原创 noip2013提高组 花匠
一道很有趣的题，二维dp很容易想出来，dp[0][i]=max{dp[1][j]∣j∈[1,i),g[j]>g[i]}+1dp[1][i]=max{dp[0][j]∣j∈[1,i),g[j]<g[i]}+1但是n范围为<=1000000 显然要用优化，考虑到n log n算法也无法通过。 数据画成二维图可以发现，取波峰和波底可以最优，便可以用O(n)水过，去除相等即可 贴代码：var n,
2017-09-10 06:51:22
236
原创 codevs1427特种部队
经典的dp 考虑到其实从后往前和从前往后只有第n个会有差异，就直接使用f[i][j]表示第一种到i，第二种到j的最小差值之和，又由f[i][j]可以转移到f[i][k],f[j,k]，最后再在基础上加上最后一个取最大值即可p党代码： var ans:int64; i,j,k,n:longint; f,s:array[0..1000,0..1000] of int64; a
2017-09-09 18:06:22
198
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人