修剪二叉搜索树(C++)

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:
在这里插入图片描述

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

思路:递归修剪二叉搜索树。

  1. 确定递归函数参数列表和返回值:参数为根节点,最小边界low和最大边界high,返回值为修剪之后的二叉树的根节点。
  2. 确定终止条件:如果当前节点为空,返回当前节点。
  3. 确定单层递归逻辑:如果当前节点值小于low,那么当前节点的左子树肯定都小于low,所以返回修剪过的右子树;如果当前节点值大于high,那么当前节点的右子树肯定都大于high,所以返回修剪过的左子树;如果当前节点值在[low,high]之间,root->left等于修剪过的左子树,root->right等于修剪过的右子树。最后返回root。

代码:

class Solution {	//669. 修剪二叉搜索树
public:
	TreeNode* trimBST(TreeNode* root, int low, int high) {
		if (root == nullptr) return root;
		if (root->val < low) {
			return trimBST(root->right, low, high);
		}
		if (root->val > high) {
			return trimBST(root->left, low, high);
		}

		root->left = trimBST(root->left, low, high);
		root->right = trimBST(root->right, low, high);
		return root;
	}
};
  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论
决策树修剪是一种提高决策树模型泛化能力的方法,可以有效防止决策树过拟合的问题。Python中可以通过以下几个步骤来实现决策树修剪: 1. 构建决策树模型:可以使用sklearn库中的DecisionTreeClassifier类来构建决策树模型,通过指定参数来控制决策树的生长。 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. 进行决策树剪枝:采用预剪枝或后剪枝的方法对决策树进行修剪。预剪枝是在决策树生长过程中,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。后剪枝是在决策树生成后进行修剪,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:使用修剪后的决策树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树模型。 总的来说,Python中实现决策树修剪的步骤包括构建决策树模型、划分训练集和验证集、进行决策树剪枝、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,可以有效提高决策树模型的泛化能力,避免过拟合问题。

“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

打赏作者

海螺蜜

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

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