求区间元素种类数的几种方法

P1972 [SDOI2009] HH的项链icon-default.png?t=M3K6https://www.luogu.com.cn/problem/P1972 

本博客将以该题目为例进行介绍

方法1:树状数组

树状数组需要结合离散化处理,我们观察到一个性质,随着右端点的右移,每一种元素的贡献位置(这里指存在贡献的位置,如:1 2 3 1 这组数据,[1,4]内1元素的贡献可以用4位置提供1次贡献,而1位置的元素贡献为0),因为右端点不断右移,所以不需要考虑查询区间存在如下情况:

 在上图中,假设7位置的1提供了贡献,此时肯定右端点位置

主要的神经网络激活函包括Sigmoid函、ReLU函和Softmax函。它们在神经网络中起着不同的作用,并且具有不同的特点和区别。 1. Sigmoid函(Logistic函): Sigmoid函定义为f(x) = 1 / (1 + exp(-x)),将输入的实映射到[0, 1]的区间上。 特点: - 输出值在0和1之间,可以看作是一种概率分布; - 平滑且连续可导,适用于梯度下降算法; - 在输入较大或较小时,梯度接近于0,可能导致梯度消失问题。 2. ReLU函(Rectified Linear Unit): ReLU函定义为f(x) = max(0, x),即在输入大于0时输出x,小于等于0时输出0。 特点: - 简单且计算效率高,只需判断输入是否大于0; - 激活后的神经元可以更好地保留输入的非线性特征; - 梯度为常1或0,不存在梯度消失问题; - 输入小于0时,梯度为0,可能导致神经元无法更新。 3. Softmax函: Softmax函用于多分类问题,将输入向量映射为一个概率分布,每个元素表示对应类别的概率。 特点: - 输出的概率分布可以用于多分类问题的预测和决策; - 对输入较大或较小的值比较敏感,可能导致值不稳定的问题。 模糊熵算法(Fuzzy Entropy Algorithm)是一种基于信息熵的特征选择方法,用于从据集中选择最具有代表性的特征。 算法步骤如下: 1. 计算每个特征的信息熵:根据特征的取值和类别的分布,计算每个特征的信息熵。 2. 计算特征子集的模糊熵:对于每个特征子集,计算其信息熵。 3. 计算模糊熵增益:计算每个特征子集的模糊熵增益,表示选择该特征子集对分类任务的贡献程度。 4. 选择最大增益的特征子集:根据模糊熵增益,选择具有最大增益的特征子集作为最终选取的特征。 模糊熵算法通过计算信息熵和模糊熵增益,评估特征子集的重要性,并选择最具代表性的特征子集。它可以帮助减少特征的维度,提高分类器的性能和效率。然而,模糊熵算法的计算复杂度较高,对于大规模据集可能会面临挑战。
评论 1
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