原创 LeetCode——第二百三十七題(C++):刪除鏈表中的節點

題目 請編寫一個函數,使其可以刪除某個鏈表中給定的(非末尾)節點,你將只被給定要求被刪除的節點。 現有一個鏈表 – head = [4,5,1,9],它可以表示爲: 示例 1: 輸入: head = [4,5,1,9], nod

原创 機器學習實戰05:支持向量機

- 基於最大間隔分隔數據 關於支持向量機 優點:泛化錯誤率低,計算開銷不大,結果易解釋。 缺點:對參數調節和核函數的選擇敏感,原始分類器不加修改僅適用於處理二類問題。 適用數據類型:數值型和標稱型數據。 如果數據點離決策邊界越遠,

原创 LeetCode——第五百五十七題(C++):反轉字符串中的單詞|||

題目 給定一個字符串,你需要反轉字符串中每個單詞的字符順序,同時仍保留空格和單詞的初始順序。 示例 1: 輸入: “Let’s take LeetCode contest” 輸出: “s’teL ekat edoCteeL tse

原创 LeetCode——第六百四十一題(python):設計循環雙端隊列

題目 設計實現雙端隊列。 你的實現需要支持以下操作: MyCircularDeque(k):構造函數,雙端隊列的大小爲k。 insertFront():將一個元素添加到雙端隊列頭部。 如果操作成功返回 true。 insertL

原创 機器學習實戰03:樸素貝葉斯

- 基於貝葉斯決策理論的分類方法 優點:在數據較少的情況下仍然有效,可以處理多類別問題。 缺點:對於輸入數據的準備方式較爲敏感。 適用數據類型:標稱型數據。 - 樸素貝葉斯的一般過程 (1) 收集數據:可以使用任何方法。本章使用R

原创 LeetCode——第二百三十六題(C++):二叉樹的最近公共祖先

題目 給定一個二叉樹, 找到該樹中兩個指定節點的最近公共祖先。 百度百科中最近公共祖先的定義爲:“對於有根樹 T 的兩個結點 p、q,最近公共祖先表示爲一個結點 x,滿足 x 是 p、q 的祖先且 x 的深度儘可能大(一個節點也可

原创 LeetCode——第二百三十八題(C++):除自身以外數組的乘積

題目 給定長度爲 n 的整數數組 nums,其中 n > 1,返回輸出數組 output ,其中 output[i] 等於 nums 中除 nums[i] 之外其餘各元素的乘積。 示例: 輸入: [1,2,3,4] 輸出: [24

原创 機器學習實戰09:K均值聚類

聚類 聚類是一種無監督的學習,它將相似的對象歸到同一個簇中。它有點像全自動分類。聚類方法幾乎可以應用於所有對象,簇內的對象越相似,聚類的效果越好。K-均值( K-means)聚類的算法之所以稱之爲K-均值是因爲它可以發現k個不同的

原创 機器學習實戰02:決策樹

- 決策樹的構造 優點:計算複雜度不高,輸出結果易於理解,對中間值的缺失不敏感,可以處理不相關特徵數據。 缺點:可能會產生過度匹配問題。 適用數據類型:數值型和標稱型。 - 決策樹的一般流程 (1) 收集數據:可以使用任何方法。

原创 python語法基礎學習筆記Task10:類與對象

1、一些基本概念 類(Class): 用來描述具有相同的屬性和方法的對象的集合。它定義了該集合中每個對象所共有的屬性和方法。對象是類的實例。 方法:類中定義的函數。 類變量:類變量在整個實例化的對象中是公用的。類變量定義在類中且

原创 python語法基礎學習筆記Task11:魔法方法

1、python的魔法方法 魔法方法是指Python內部已經包含的,被雙下劃線所包圍的方法,這些方法在進行特定的操作時會自動被調用,它們是Python面向對象下智慧的結晶 2、關於屬性的魔法方法 __ getattribute

原创 機器學習實戰01:k鄰近算法

- KNN的工作原理 存在一個樣本數據集合,也稱作訓練樣本集,並且樣本集中每個數據都存在標籤,即我們知道樣本集中每一數據與所屬分類的對應關係。輸入沒有標籤的新數據後,將新數據的每個特徵與樣本集中數據對應的特徵進行比較,然後算法提取

原创 LeetCode——第一題(Python):兩數之和

題目 給定一個整數數組 nums 和一個目標值 target,請你在該數組中找出和爲目標值的那 兩個 整數,並返回他們的數組下標。 你可以假設每種輸入只會對應一個答案。但是,你不能重複利用這個數組中同樣的元素。 示例 給定 num

原创 python語法基礎學習筆記Task08:異常處理

1、語法錯誤 while True print('Hello world') File "<stdin>", line 1, in ? while True print('Hello world')

原创 機器學習實戰10:Apriori

關聯分析 - Apriori算法 優點:易編碼實現。 缺點:在大數據集上可能較慢。 適用數據類型:數值型或者標稱型數據。 關聯分析是一種在大規模數據集中尋找有趣關係的任務。這些關係可以有兩種形式:頻繁項集或者關聯規則。 頻繁項集(