原创 Constraint Checker——hihoCoder176
描述 Given a set of constraints like 0<N<=M<=100 and values for all the variables, write a checker program to deter
2020-06-17 13:46:44
原创 Mac的xgboost安裝
lz又是拿來主義啦，親測可行 最近在mac上用到xgboost庫，安裝時遇到頗多大坑，網上查了很多答案几乎都是win上的問題，沒遇到理想的，自己也就摸着石頭把幾個大坑給填了，總結一下，給後人少走點彎路。 1.錯誤 倘若直接 pip
2020-06-17 13:46:44
7
原创 lightgbm模型通過pmml存儲，在java中調用
版權聲明：本文爲轉載文章，遵循 CC 4.0 BY-SA 版權協議，轉載請附上原文出處鏈接和本聲明。 本文鏈接：https://blog.csdn.net/luoyexuge/article/details/80087952 lightg
2020-06-17 13:46:34
11
原创 將自己的圖像數據轉爲mnist可用
自己有一些圖像數據，想在TensorFlow上跑，但是需要預處理，於是昨天弄了一會才把預處理弄完，很渣，僅供參考。 利用pandas.read_csv( )之後，變成了x_train（None，784）與y_train（None，1）【l
2020-06-17 13:46:34
原创 fm的python實現
參考gitlab上的代碼，因爲不能用cython，所以用python2又寫了一遍，之後準備加入多分類方法，過會寫。 fm原理詳解：這篇說的特別好。fm推薦算法原理。 代碼如下 # encoding: utf-8 # Author: c
2020-06-10 00:30:43
原创 39. Combination Sum & 40. Combination Sum II
這題很簡單，主要是push、pop會花比較多的時間，做個預判，不要所有的都先push，80%多吧。class Solution { public: vector<vector<int>> ans; vector<int>
2020-06-10 00:30:43
原创 hadoop、hive搭建
我是搭建的hadoop2.9.0，找了幾個教程，我是按照這個教程搭建成功的： （其實沒成功，說一千道一萬，還是看說明書吧：http://hadoop.apache.org/docs/r2.9.0/hadoop-project-dist/h
2020-06-10 00:30:43
原创 轉行經驗
好久沒有寫博客，前段時間一直在秋招，然後總結了很多數據挖掘的知識點，但是都沒分享出來。然後就出去玩啦，更沒有更新博客了。 博主是真的佛系妹子，因爲暑期實習留用給了offer，然後秋招的時候嘗試投AT，都無果（簡歷掛的那種orz）。後來有一
2020-06-10 00:30:43
原创 c++ 11個性特性
原博：http://blog.csdn.net/whatday/article/details/50509538 前兩天面試，說到了c++新特性的用法，lz之前都沒看過，然後有點懵逼。不求甚解了。 還有幾篇比較好的文章：http://ww
2020-06-10 00:30:43
原创 關於SVM
網上有好多svm的詳解，包括sklearn裏面的svm詳解： 機器學習十大算法總覽（含Python3.X和R語言代碼） 支持向量機（三）核函數（這篇不錯） 轉載：scikit-learn學習之SVM算法 感覺自己真實拿來主義啊都不
2020-02-20 13:40:44
原创 Full Binary Tree Picture——hihoCoder177
題目1 : Full Binary Tree Picture 時間限制:10000ms 單點時限:1000ms 內存限制:256MB 描述 Let's draw a picture of full binary tre
2020-02-20 13:40:44
原创 scikit-learn一些常用算法
這裏寫了一些常用算法手冊 點贊 收藏 分享 文章舉報 cColdTea 發佈了82 篇原創文章 · 獲贊 13 · 訪問量 7萬+ 私信
2020-02-20 13:40:44
原创 sklearn技巧總結
【轉】Scikit-learn技巧（拓展）總結 總結的很好，拿來啦。 同學說現在都用pytorch，等把TensorFlow框架看完了就學學這個包。 使勁長肉中。 點贊 收藏 分享 文章舉報
2020-02-20 13:40:44
原创 機器學習中的範數
這篇文章挺好的，又是拿來主義，連複製粘貼都懶得的我。 因此，一句話總結就是：L1會趨向於產生少量的特徵，而其他的特徵都是0（sparse），而L2會選擇更多的特徵，這些特徵都會接近於0。Lasso在特徵選擇時候非常有用，而Ridge就只是
2020-02-20 13:40:44