669. 修剪二叉搜索树

669. 修剪二叉搜索树

给你二叉搜索树的根节点 root ,同时给定最小边界low 和最大边界 high。通过修剪二叉搜索树,使得所有节点的值在[low, high]中。修剪树 不应该 改变保留在树中的元素的相对结构 (即,如果没有被移除,原有的父代子代关系都应当保留)。 可以证明,存在 唯一的答案 。

所以结果应当返回修剪好的二叉搜索树的新的根节点。注意,根节点可能会根据给定的边界发生改变。

示例 1:

输入:root = [1,0,2], low = 1, high = 2
输出:[1,null,2]
示例 2:

输入:root = [3,0,4,null,2,null,null,1], low = 1, high = 3
输出:[3,2,null,1]

思考

其实大致思路是和删除二叉树节点相同的。唯一不同的是,这里需要在次从被删除后顶替的节点开始,因为你不知道该节点是不是满足条件,如果不满足即可删除该节点。

  1. 删除二叉搜索树中的节点

删除二叉树可以参考上一篇文章:删除二叉搜索树的节点

我们删除一个节点,首先考虑特殊情况

  • 该树为空,直接返回null
  • 该节点为树的根节点,并且没有左右子树,返回null

前序遍历函数

  • 处理
  • 遍历左子树
  • 遍历右子树

定义前序遍历递归,其参数

  • pre代表访问该节点的父节点,初始化为null
  • root代表正在访问的节点
  • key

其递归需要返回值 ,因为会出现两种情况

  • 如果删除的节点不是根节点,preOrder函数返回null,deleteNode返回root
  • 如果删除的节点是根节点,preOrder函数返回新的根tempRoot,deleteNode返回tempRoot

前序遍历函数处理过程:

  • 如果该节点的值等于key,说明需要删除此节点

在这里插入图片描述
此图代表right和left都非空时

  • root代表需要删除的节点

  • left代表root的左孩子(可能为null)

  • right代表root的右孩子(可能为null)

  • pre代表root的父节点,但是我们不知道root是pre的左孩子还是右孩子

    • 但是由于该树是搜索二叉树,所以我们可以根据pre.val和root.val来判断
  • 我们只需把b(可能为null)移动到c(可能为null)的左子树即可

注意:还有left和right可能为空的情况,这里不在画图赘述,大致相同。

 public static TreeNode trimBST(TreeNode root, int low, int high) {
        if(root==null) return null;
        if(root.val<low||root.val>high){
            if(root.left==null&&root.right==null)
                return null;
        }
        TreeNode[] treeRoot=new TreeNode[1];
        preOrder(treeRoot,null,root,low,high);
        return treeRoot[0];
    }


    private static void  preOrder(TreeNode[] treeRoot,TreeNode pre, TreeNode root, int low, int high) {

        TreeNode temproot = null;
        int k = 0;

        if(root.val<low||root.val>high){
            k = 1;
            TreeNode left=root.left;
            TreeNode right=root.right;
            if(right==null&&left!=null){
                temproot = left;
            }else if(right!=null){
                if(left==null){
                    temproot=right;
                }else{
                    TreeNode righttemp = right;
                    while (righttemp.left!=null){
                        righttemp = righttemp.left;
                    }
                    righttemp.left=left.right;
                    left.right=right;
                    temproot =left;
                }
            }
            // pre 为空
            if(pre==null){
                treeRoot[0] = temproot;
            }
            if(pre!=null){
                if(pre.val>root.val){
                    pre.left= temproot;
                }
                if(pre.val<root.val){
                    pre.right=temproot;
                }
            }
        }
        if(k==1&&temproot!=null)//修改了root节
            preOrder(treeRoot,pre, temproot, low, high);
        else {
            if(k==0&&root.left!=null)
                preOrder(treeRoot,root, root.left, low, high);
            if(k==0&&root.right!=null)
                preOrder(treeRoot,root, root.right, low, high);
        }
    }
  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
决策修剪是一种提高决策模型泛化能力的方法,可以有效防止决策过拟合的问题。Python中可以通过以下几个步骤来实现决策修剪: 1. 构建决策模型:可以使用sklearn库中的DecisionTreeClassifier类来构建决策模型,通过指定参数来控制决策的生长。 2. 划分训练集和验证集:将原始数据集划分为训练集和验证集两部分,一般可以采用交叉验证的方法。 3. 进行决策剪枝:采用预剪枝或后剪枝的方法对决策进行修剪。预剪枝是在决策生长过程中,在节点划分前进行修剪,常见的方法有限制叶子节点数量、限制最小信息增益、限制叶子节点最小样本数等。后剪枝是在决策生成后进行修剪,常见的方法有代价复杂度剪枝(Cost Complexity Pruning)。 4. 计算剪枝前后模型表现:使用修剪后的决策模型在验证集上进行测试,计算模型的准确率、精确率、召回率等指标,评估剪枝前后模型的表现。 5. 选择最优的修剪参数:通过比较不同修剪参数下模型的表现,选择使模型表现最优的修剪参数。 6. 使用最优的修剪参数重新构建模型:使用最优的修剪参数,对整个训练集进行训练,重新构建修剪后的决策模型。 总的来说,Python中实现决策修剪的步骤包括构建决策模型、划分训练集和验证集、进行决策剪枝、计算剪枝前后模型表现、选择最优的修剪参数、使用最优的修剪参数重新构建模型。通过这些步骤,可以有效提高决策模型的泛化能力,避免过拟合问题。
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