令人惊艳的算法分享

当谈到计算机科学时，算法是一个重要的话题，因为它们能帮助解决很多问题。而有些算法，其高效性和惊人表现，令人感到惊艳。一起来分享一下你认为令人惊艳的高效算法吧！

一、你在工作和学习中用到过哪些惊艳的算法？（包括但不限于数据科学、计算机视觉、自然语言处理等多个领域的算法）

线性回归（Linear Regression）可能是最流行的机器学习算法。线性回归就是要找一条直线，并且让这条直线尽可能地拟合散点图中的数据点。它试图通过将直线方程与该数据拟合来表示自变量（x 值）和数值结果（y 值）。然后就可以用这条线来预测未来的值！

这种算法最常用的技术是最小二乘法（Least of squares）。这个方法计算出最佳拟合线，以使得与直线上每个数据点的垂直距离最小。总距离是所有数据点的垂直距离（绿线）的平方和。其思想是通过最小化这个平方误差或距离来拟合模型。

二、请你介绍一下上述算法并进行一下简单演示吧！

例如，简单线性回归，它有一个自变量（x 轴）和一个因变量（y 轴）

比如预测明年的房价涨幅、下一季度新产品的销量等等。听起来并不难，不过线性回归算法的难点并不在于得出预测值，而在于如何更精确。为了那个可能十分细微的数字，多少工程师为之耗尽了青春和头发。

三、如何优化算法才能获得更好的结果呢？你平时是从哪些思路进行优化的？

一：用更复杂、更先进的算法。例如ctr预估，从逻辑回归到FM、wide&deep、DeepFM、DIN等等。短文本分类算法从SVM到FastText、从LSTM到Bi-LSTM，Bi-LSTM+Attention。

二：增加更多的特征。例如之前没有用天气特征，后面增加天气特征；之前没有挖掘大量的用户特征，后面增加用户特征。

三：增加更为实时的数据。例如T-1 天的推荐，改进为实时的推荐。T-1天的销量，修改为实时的销量数据。

四：收集整理BadCase库。BadCase库不仅仅是算法同学观察收集，也可以是运营、业务的同学汇总过来。

四、在使用算法的过程中需要注意哪些细节才能使其发挥最大的效能呢？

①、正确性：首先，算法应当满足以特定的“规则说明”方式给出的需求。其次，对算法是否“正确”的理解可以有以下四个层次：
　　　　　　　　一、程序语法错误。　　　　　　　　二、程序对于几组输入数据能够得出满足需要的结果。　　　　　　　　三、程序对于精心选择的、典型、苛刻切带有刁难性的几组输入数据能够得出满足要求的结果。　　　　　　　　四、程序对于一切合法的输入数据都能得到满足要求的结果。　　　　　　　　PS：通常以第 三 层意义的正确性作为衡量一个算法是否合格的标准。　　②、可读性：算法为了人的阅读与交流，其次才是计算机执行。因此算法应该易于人的理解；另一方面，晦涩难懂的程序易于隐藏较多的错误而难以调试。　　③、健壮性：当输入的数据非法时，算法应当恰当的做出反应或进行相应处理，而不是产生莫名其妙的输出结果。并且，处理出错的方法不应是中断程序执行，而是应当返回一个表示错误或错误性质的值，以便在更高的抽象层次上进行处理。　　④、高效率与低存储量需求：通常算法效率值得是算法执行时间；存储量是指算法执行过程中所需要的最大存储空间，两者都与问题的规模有关。　　前面三点 正确性，可读性和健壮性相信都好理解。对于第四点算法的执行效率和存储量，我们知道比较算法的时候，可能会说“A算法比B算法快两倍”之类的话，但实际上这种说法没有任何意义。因为当数据项个数发生变化时，A算法和B算法的效率比例也会发生变化，比如数据项增加了50%，可能A算法比B算法快三倍，但是如果数据项减少了50%，可能A算法和B算法速度一样。所以描述算法的速度必须要和数据项的个数联系起来。也就是“大O”表示法，它是一种算法复杂度的相对表示方式，这里我简单介绍一下，后面会根据具体的算法来描述。　　相对(relative)：你只能比较相同的事物。你不能把一个做算数乘法的算法和排序整数列表的算法进行比较。但是，比较2个算法所做的算术操作（一个做乘法，一个做加法）将会告诉你一些有意义的东西；　　表示(representation)：大O(用它最简单的形式)把算法间的比较简化为了一个单一变量。这个变量的选择基于观察或假设。例如，排序算法之间的对比通常是基于比较操作(比较2个结点来决定这2个结点的相对顺序)。这里面就假设了比较操作的计算开销很大。但是，如果比较操作的计算开销不大，而交换操作的计算开销很大，又会怎么样呢？这就改变了先前的比较方式；　　复杂度(complexity)：如果排序10,000个元素花费了我1秒，那么排序1百万个元素会花多少时间？在这个例子里，复杂度就是相对其他东西的度量结果。　　然后我们在说说算法的存储量，包括：　　程序本身所占空间；　　输入数据所占空间；　　辅助变量所占空间；　　一个算法的效率越高越好，而存储量是越低越好。
————————————————
版权声明：本文为CSDN博主「xmh-sxh-1314」的原创文章，遵循CC 4.0 BY-SA版权协议，转载请附上原文出处链接及本声明。
原文链接：https://blog.csdn.net/weixin_57763462/article/details/119617894