原创 C++ 學習筆記之派生

派生簡介 : 面向對象的三大思想包括 : 封裝、繼承、多態。派生是C++ 面向對象中繼承的表現。 繼承的優點 : 在面相對象程序設計的過程中,我們爲了實現代碼的重用,爲了使得兩個相似的類之間不寫大量的重複代碼,我們就可以把兩個類的

原创 貝葉斯分類器以及Python實現

貝葉斯分類器 貝葉斯分類器的分類原理是通過某對象的先驗概率,利用貝葉斯公式計算出其後驗概率,即該對象屬於某一類的概率,選擇具有最大後驗概率的類作爲該對象所屬的類。 介紹一下先驗概率:是指根據以往經驗和分析得到的概率,就是我們可以通

原创 Codeforces Round #447 (Div. 2) D. Ralph And His Tour in Binary Country

題解 :這個題目是一顆完全二叉樹,根節點爲1號節點, 在進行處理之前,我們可以對每個節點的子樹節點以距離爲關鍵字排序,思路類似於歸併排序 (從底部向上面一層一層的排序) 當然排序之前我們需要把距離 0 加入這個排序的數組 (因爲自

原创 機器學習之K均值算法 以及 c++ 實現

K 均值算法簡介 : k均值算法是一種比較簡單的聚類算法,它針對數據經行劃分,得到最小平方誤差,將數據聚集成一個一個的類別。 這個式子在一定程度上表達了一個類之間的緊密程度。 K均值算法的算法流程 : 從樣本集中隨機選擇k個樣

原创 NumPy 的安裝和入門教程

Numpy 簡介 : Numpy 是 python 中的一個處理矩陣運算的模塊,它提供了大量矩陣處理的函數,它是由C語言編寫而成,使得矩陣的運算更加方便,處理矩陣執行 速度也更快。 Numpy 安裝 : 以 python3

原创 支持向量機 (SVM) 以及 sklearn 實現

支持向量機 支持向量機是一種非常強大的分類算法,它可以實現分兩類,也可以實現分成多類,支持向量機與核函數的配合成功解決了邏輯迴歸表現出的不足之處,是數據挖掘的十大算法之一。 對於分成兩類的支持向量機 在線性迴歸或者邏輯迴歸中,我

原创 機器學習聚類算法簡介

算法的目的 : 聚類算法是“無監督學習”中最常用的一個算法,通過對無標記訓練樣本的學習將數據集劃分成若干個不相交的子集,來解釋數據的內在性質以及規律,爲進一步數據分析提供基礎。也可以作爲一個單獨的過程,尋找數據內在的分佈結構 注意

原创 決策樹算法 及其 python 實現

決策樹算法 : 基本介紹 : 決策樹算法是一類算法的集合,決策樹顧名思義是在一棵樹上進行決策的方法,稱之爲決策樹算法,決策樹首先是一棵樹,樹的每一個節點表示對一個特徵的判斷,每一個葉子節點表示一種判斷的結果,下面的例子生動地解釋了

原创 C++ 類中訪問權限控制

C++ 的類中有三種不同的權限的說明符 private,public,protected 三種權限說明符爲C++的封裝性提供了支持,下面介紹一下三種權限說明符的允許訪問的範圍,即哪些函數可以訪問。 1.private : 類(基

原创 機器學習之Adaboost算法

Adaboost 算法 ; 先介紹一下 boost 算法 , boost 就是一種增強學習算法,通過弱學習器 (正確率略高於隨機回答的學習器,這也是必須要滿足的條件否則分這個算法無效)的一種結合得到一種強學習器的集成學習方法,有許

原创 機器學習之Bagging 與 隨機森林算法

在集成學習裏面,有兩種流派,一個是 boosting 流派,它的特點是對於各個學習器之間有着相互依賴的關係 (比如說在某一次算法結束後,分類錯誤的樣本會增大比例,以引起下一次的訓練時候的關注度),另一種是bagging 流派,它的

原创 機器學習之學習向量量化(LVQ)

學習向量量化簡介 : 學習向量量化是一種聚類算法,我自己感覺這應該是一種監督學習算法吧,這種算法屬於原型聚類,找到初始原型來刻畫聚類結構,與一般聚類算法不同的是,(LVQ)這種算法數據樣本帶有監督信息標記 算法思想 : 通過數據集

原创 機器學習之BP神經網絡 以及 tensorflow 實現

BP (Back Propagation)神經網絡簡介 : 先介紹一下神經元,在生物神經網絡中,每個神經元與其它神經元相連,當一個神經元“興奮”時,就會通過穿出神經向其它神經元發送化學物質,其它神經元會通過穿人神經接受信息然後再傳

原创 C++ 中一個冒號和兩個冒號的區別

這幾天一直被傻逼冒號問題困擾,就很煩然後就下決定弄明白一個冒號和兩個冒號的區別 兩個冒號 :: 爲什麼先說兩個冒號呢 ? 因爲它的作用少 ,一般就是一個作用 域作用限制符 比如 class , n

原创 K鄰近算法 (KNN) 原理及 python 實現代碼

K鄰近算法思想 : 在對於一個分類的問題而言,我們一般希望在已知樣本點中找到一個和要預測的點完全相同的點,然後進行預測,但是由於我們的樣本空間有限,所以不可能找到所有的要出現的點的全部集合。但是有一種直觀的感受(據說是存在數學原理