树(80分)

86 篇文章 1 订阅

特 别 说 明 特别说明

这 道 题 老 师 只 讲 了 80 分 的 方 法 , 最 后 两 个 点 会 T L E , 请 大 佬 帮 忙 看 一 下 正 解 怎 么 做 。 这道题老师只讲了80分的方法,最后两个点会TLE,请大佬帮忙看一下正解怎么做。 80TLE

输入

小L非常喜欢树。最近,他发现了一棵有趣的树。这棵树有n个节点(1到n编号),节点i有一个初始的权值ai。这棵树的根是节点1。

这棵树有一个特殊的性质:当你给节点i的权值加 val 的时候,节点i的所有儿子的权值都会加 -val。注意当你给节点i的儿子的权值加 -val 时,节点i的这个儿子的所有儿子的权值都会加 -(-val),以此类推。样例说明可以很好地帮助你理解这个性质。

有2种操作:

  1. 操作(a).“1 x val”表示给节点x的权值加val。
  2. 操作(b).“2 x”输出节点x当前的权值。

为了帮助小L更好地理解这棵树,你必须处理m个操作。

输入

第一行包含2个整数n和m。
第二行包含n个整数a1,a2,…,an(1≤ai≤1000)。
接下来的n-1行,每行两个整数u和v(1≤u接下来的m行,每行包含2种操作的一种。每个操作都保证1≤x≤n,1≤val≤1000。

输出

对于每个操作(b),输出一个整数,表示节点x当前的权值。

输入样例

5 5
1 2 1 1 2
1 2
1 3
2 4
2 5
1 2 3
1 1 2
2 1
2 2
2 4

输出样例

3
3
0

样例说明

初始各个节点的权值依次为[1,2,1,1,2]。
第一个操作给节点2的权值增加3,会给节点2的儿子4、5的权值增加-3。此时各个节点的权值变成[1,5,1,-2,-1]。
第二个操作给节点1的权值增加2,会给节点1的儿子2、3的权值增加-2,然后会给节点2的儿子4、5的权值增加-(-2)。各个节点的权值变成[3,3,-1,0,1]。

数据范围

对于50%的数据,1≤n≤2000,1≤m≤2000。
对于100%的数据,1≤n≤100000,1≤m≤100000。

思路

这道题就是一道dfs,就按着他做。
若操作为2,就直接输出;不然,用dfs找儿子加权值(记得权值到这个点的儿子时要变相反数)。

代码

#include<cstdio>
using namespace std;
int n,m,x,y,z,a[100001],le[100001];
struct note
{
	int to,next;
}e[100005];
void dfs(int now,int d)//dfs加权值
{
	a[now]+=d;//加权值
	for (int i=le[now];i;i=e[i].next) dfs(e[i].to,-d);//找这个点的儿子
}
int main()
{
	scanf("%d %d",&n,&m);//输入
	for (int i=1;i<=n;++i) scanf("%d",&a[i]);
	for (int i=1;i<n;++i)
	{
	  	scanf("%d %d",&x,&y);//输入
	  	e[i]=(note){y,le[x]}; le[x]=i;//建邻接表
	}
	for (int i=1;i<=m;++i)
	{
	  	scanf("%d %d",&x,&y);//输入
	  	if (x==2)
	  	{
	  	  	printf("%d\n",a[y]);//输出
	  	  	continue;
	  	}
	  	scanf("%d",&z);//输入
	  	dfs(y,z);//加权值
	} 
}
### 回答1: 剪枝是决策算法中一个重要的步骤,它的目的是防止过拟合。CART(Classification and Regression Trees)类决策剪枝主要有两种方法:预剪枝和后剪枝。 预剪枝是在构建决策的过程中,提前停止某些支的生长,以防止过拟合。常见的预剪枝策略有限制的最大深度、限制叶子节点的最小样例数、限制信息增益的最小值等。预剪枝策略可以有效地降低决策的复杂度,但它也会使得决策的精度降低。 后剪枝是在构建完整个决策之后,再对决策进行简化。常见的后剪枝方法有:REP(Reduced Error Pruning)、PEP(Pessimistic Error Pruning)等。后剪枝策略可以通过删除一些叶子节点来降低决策的复杂度,同时还能保证决策的精度。 下面是一个使用后剪枝的 CART类决策剪枝的代码及详解: ```python def prune(tree, testData): ''' 后剪枝函数 :param tree: 待剪枝的 :param testData: 剪枝所需的测试数据集 :return: 剪枝后的 ''' # 如果测试数据集为空,则直接返回该的叶子节点的均值 if len(testData) == 0: return getMean(tree) # 如果当前节点一个,则对该子进行剪枝 if (isinstance(tree, dict)): # 对训练数据进行划 leftSet, rightSet = binSplitDataSet(testData, tree['spInd'], tree['spVal']) # 对左子进行剪枝 if (isinstance(tree['left'], dict)): tree['left'] = prune(tree['left'], leftSet) # 对右子进行剪枝 if (isinstance(tree['right'], dict)): tree['right'] = prune(tree['right'], rightSet) # 如果当前节点的两个子节点都是叶子节点,则考虑合并这两个叶子节点 if not isinstance(tree['left'], dict) and not isinstance(tree['right'], dict): # 计算合并前的误差 errorNoMerge = sum(np.power(leftSet[:, -1] - tree['left'], 2)) + \ sum(np.power(rightSet[:, -1] - tree['right'], 2)) # 计算合并后的误差 treeMean = (tree['left'] + tree['right']) / 2.0 errorMerge = sum(np.power(testData[:, -1] - treeMean, 2)) # 如果合并后的误差小于合并前的误差,则进行合并 if errorMerge < errorNoMerge: return treeMean return tree ``` 该函数的输入参数为待剪枝的以及用于剪枝的测试数据集。函数的主要流程如下: 1. 如果测试数据集为空,则直接返回该的叶子节点的均值; 2. 如果当前节点一个,则对该子进行剪枝,别对左右子进行剪枝; 3. 如果当前节点的两个子节点都是叶子节点,则考虑合并这两个叶子节点; 4. 如果合并后的误差小于合并前的误差,则进行合并; 5. 最后返回剪枝后的。 剪枝过程中最重要的是如何判断是否进行剪枝,并且如何进行剪枝。在上面的代码中,我们通过计算合并前和合并后的误差,来判断是否进行剪枝。如果合并后的误差小于合并前的误差,则进行剪枝。 需要注意的是,在剪枝过程中,我们需要对整个决策进行遍历,因此该过程非常耗时。为了提高剪枝的效率,我们可以先对整个决策进行建立,然后再对其进行剪枝。这样可以大大减少计算量,同时也可以避免在建立决策的过程中出现剪枝误差。 ### 回答2: 决策剪枝是为了解决决策过拟合的问题,减小模型复杂度,提高泛化能力。CART算法(Classification and Regression Tree)是一种常用的决策算法。 CART算法在进行剪枝时,采用了后剪枝的方法。具体代码如下: 1. 数据准备:首先需要准备训练数据和测试数据。将数据集按照一定的比例划成训练集和测试集,通常训练集占总数据集的70-80%。 2. 构建决策:利用训练数据构建初始的决策。对于CART算法来说,的每个非叶子节点会有两个支,根据Gini指数或信息增益来选择最优的划属性。 3. 后剪枝:对构建好的决策进行后剪枝操作。后剪枝的步骤如下: (1)利用测试集评估从根节点到每个叶子节点类准确率,保存在错误率数组中。 (2)递归地从的底层开始,自底向上地计算每个节点的代价函数。代价函数定义为:路径上节点的错误率加上一个参数乘以路径的复杂度。 (3)计算每个非叶子节点的剪枝前与剪枝后的代价函数之差,选取差值最小的节点作为剪枝节点。 (4)使用剪枝节点的父节点的多数投票法更新剪枝节点,将其变为叶子节点。 (5)重复步骤2-4,直到无法再剪枝为止。 4. 模型评估:使用剪枝后的决策对测试集进行预测,并计算预测准确率。根据准确率来评估模型的性能和泛化能力。 决策剪枝的代码实现比较复杂,需要涉及到模型的构建、剪枝、以及模型的评估等环节。以上是对决策剪枝代码及详解的简要概述,具体实现过程还需要根据具体的编程语言和库进行相应的代码编写和调试。
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