- 综合排序
- 最热优先
- 最新优先
- 来自专栏AI机器学习与深度学习算法
机器学习入门 9-4 实现逻辑回归算法
本小节主要依据sklearn的设计理念封装我们自己的逻辑回归算法，最后在jupyter中调用并实现。 a 实 现 逻 辑 回 归 算 法 在之前的小节中详细推导了逻辑回归算法的损失函数。 由于逻辑回归算法没有解析解，只能通过梯度下降算法更新迭代求解，因此我们又详细推导了损失函数相应的梯度向量以及向量化的梯度表达式。 通过之前的学习我们知道逻辑回归算法和线性回归算法有很多相似之处，我们完全可以在原来实现的LinearRegression基础上修改成LogisticRegression。 接下来就具体的实现我们自己的逻辑回归算法： 导入相应的模块 由于逻辑回归算法解决的是分类问题，所以通过accuracy_score准确率来评估模型的好坏。 在这里我们仿照sklearn中的设计模式，将LogisticRegression封装成类，通过在类中定义方法实现相应的算法逻辑。
92620发布于 2020-02-26 - 来自专栏mysql
hhdb数据库介绍(9-4)
计算节点有两类用户，一类是计算节点数据库用户，用于操作数据，执行SELECT，UPDATE，DELETE，INSERT等SQL语句。另一类是关系集群数据库可视化管理平台用户，用于管理配置信息。此章节将着重介绍计算节点用户相关内容。
50310编辑于 2025-03-10 - 来自专栏数据安全架构与治理
《数据安全架构设计与实战》勘误表
本着为读者负责的原则，现将勘误表发布出来： 2019年12月第1版第2次印刷勘误 P102（9.3节）图9-4第四个方框应为“乙方私钥解密” P149（12.4.4节）“HIDS需要针对以上口风险”应为 2019年10月第1版第1次印刷勘误 P98（9.1节）图9-1右下侧编号⑧应为编号⑤ P102（9.3节）图9-4第四个方框应为“乙方私钥解密” P126（11.3节）“访问使用临时随机口令”应为“访客使用临时随机口令 ”应为“登录的来源IP地址” P149（12.4.4节）“HIDS需要针对以口风险”应为“HIDS需要针对以上风险” P210（15.6.1节）提示改为勾选框 P245（16.4.1节）“SM示例加密算法 ”应为“SM系列加密算法” 前言致谢名单少一个顿号 后续大家可以访问 https://github.com/zhyale/book1 ，点击 “勘误.md” 文件，即可看到更新的内容。
61620编辑于 2022-06-02 - 来自专栏算法工程师的学习日志
C++代码编程的一个小插曲
方程组为：x^9-4*x^5-5*x^3-270000=0，范围为0~10； C++代码方式： #include <iostream> #include "math.h" #include <iomanip 0; } cout是我调试用的，便于实时看看结果 输出结果可以看到为4.02057 为了验证我的结果是否正确，我在用matlab自带的fsolve函数来求解一遍 >> x = fzero("x^9- 4*x^5-5*x^3-270000",2); >> x x = 4.0206 >> x^9-4*x^5-5*x^3-270000 ans = -5.8208e-11 和我的结果很接近 而且这个误差符合要求，但我把C++的计算结果4.02057带入方程组去计算，发现这个误差值为1.897，和预计的相差较大， >> x = 4.02057 x = 4.0206 >> x^9- endl; return 0; } 此时的x为：4.020566884828，在matlab中计算一下 >> x = 4.020566884828 x = 4.0206 >> x^9-
57920编辑于 2022-07-27 - 来自专栏IT技术圈（CSDN）
浙大版《C语言程序设计（第3版）》题目集 习题9-4 查找书籍
习题9-4 查找书籍 给定n本书的名称和定价，本题要求编写程序，查找并输出其中定价最高和最低的书的名称和定价。 输入格式: 输入第一行给出正整数n（<10），随后给出n本书的信息。
2.6K30发布于 2020-09-15 - 来自专栏机器学习与自然语言处理
Stanford机器学习笔记-9. 聚类(Clustering)
一个非聚类的例子是鸡尾酒会算法，即从带有噪音的数据中找到有效数据(信息)，例如在嘈杂的鸡尾酒会你仍然可以注意到有人叫你。所以鸡尾酒会算法可以用于语音识别(详见wikipedia)。 K均值(K-means)算法是一个广泛使用的用于簇划分的算法。 经过若干次迭代后，该算法将会收敛，也就是继续迭代不会再影响簇的情况。 在某些应用中，样本可能比较连续，看起来没有明显的簇划分，但是我们还是可以用K均值算法将样本分为K个子集供参考。 例如根据人的身高和体重划分T恤的大小码，如图9-4所示。 ? 图9-4 K-means for non-separated clusters 9.3 Optimization objective image.png 9.4 Random Initialization
1.7K110发布于 2018-03-13 - 来自专栏机器学习算法与Python学习
机器学习(7) -- k-means 聚类
K均值(K-means)算法是一个广泛使用的用于簇划分的算法。 图9-3 K均值算法的演示 通过上述描述，下面我们形式化K均值算法。 输入： K (number of clusters) Training set ? 例如根据人的身高和体重划分T恤的大小码，如图9-4所示。 ? 图9-4 K-means for non-separated clusters 9.3 Optimization objective 重新描述在K均值算法中使用的变量： = index of cluster K均值算法可能陷入局部最优。为了减少这种情况的发生，我们可以基于随机初始化，多次运行K均值算法。
1.6K50发布于 2018-04-04 - 来自专栏Python小屋
微课|《Python编程基础与案例集锦（中学版）》第9章例题讲解（2）
例9-4 使用turtle绘制图形，响应鼠标左键、中键、右键的单击事件。
53420发布于 2020-05-08 - 来自专栏智能大数据分析
分类规则挖掘（二）
2、Hunt算法框架 Hunt算法是Hunt等人1966年提出的决策树算法，它在选择划分训练集的属性时采用贪心策略，将训练集相继划分成较纯 (包括更少类别) 的子集，以递归方式建立决策树，并成为许多决策树算法的衍生框架 定义9-4 设 S 是有限个样本点的集合，其条件属性 A 划分 S 所得子集为 \{S_1,S_2,\cdots,S_v\} ，则定义 A 划分样本集 S 的信息熵 (简称属性 A 的分类信息熵) 为 E(S,A)=-\sum_{j=1}^{v}\frac{|S_j|}{|S|}\log_2\frac{|S_j|}{|S|}\tag{9-4} 其中 |S_j|/|S| 也称为 （四）C4.5算法 C4.5算法不仅继承了ID3算法的优点，并增加了对连续型属性和属性值空缺情况的处理，对树剪枝也使用了当时更为成熟的方法。 的信息增益率为 gainRatio(S, A)= gain(S, A|C)/E(S,A)\tag{9-8} 其中， gain(S, A|C) 由公式 (9-7) 计算， E(S,A) 由公式 (9-
50010编辑于 2025-01-22 - 来自专栏信息技术智库
《画解算法》1.两数之和【python实现】
for(int j = i + 1; j < n; ++j ) { if nums[i] + nums[j] == target ... } } 暴力求解的算法时间复杂度为指数级 这种方法在最坏的情况下，对数组遍历了2次，也就是算法的时间复杂度是O(2n)，去掉前导系数是O(n)，虽然是相比暴力求解，算法的时间复杂度降低了，但是还有优化的空间。 find(9-4), 存在那返回这两个数的下标，如果不存在，那么将 4 放入hash表。 find(9-6), 存在那返回这两个数的下标，如果不存在，那么将 6 放入hash表。
50630编辑于 2022-07-29 - 来自专栏AI科技大本营的专栏
测试数据科学家聚类技术的40个问题（能力测验和答案）（下）
假设你想使用K均值聚类算法将7个观测值聚类到3个簇中。 10 5 * sqrt（2） 13 * sqrt（2） 以上都不是 答案：A （4,4）和（9,9）的 Manhattan 距离是：（9-4）+（9-4）= 10。 Q28. 下面对基于质心的K均值聚类分析算法和基于分布的期望最大化聚类分析算法的描述，哪些是不正确的？ 都从随机初始化开始 都是可迭代算法 两者对数据点的假设很强 都对异常值敏感 期望最大化算法是K均值的特殊情况 都需要对所需要的簇数有先验知识 结果是不可再现的。 下面关于 DBSCAN 聚类算法的描述不正确的是？
1.7K40发布于 2018-04-26 - 来自专栏A周立SpringCloud
Config Server——使用Spring Cloud Bus自动刷新配置
图9-4 使用Spring Cloud Bus的架构图 如图9-4，我们将Config Server也加入到消息总线中，并使用Config Server的/bus/refresh端点来实现配置的刷新。
2.2K50发布于 2018-04-02 - 来自专栏技术分享
【算法】----BF算法&KMP算法
我们今天所讨论的两个算法就是有关该过程的算法。 事实上，对于检索，无非就是两个字符串的匹配过程，模式串是你想要匹配的串，主串是你搜索所在串。 BF算法和KMP算法是较为著名的模式匹配算法，接下来作出详细介绍。 BF算法 BF算法(Brute-Force)也称为暴力算法，其核心原理是逐个比较文本串和模式串的字符，如果匹配失败，则通过向右移动模式串的位置，再次进行比较。 在实际情况下，BF算法的效率并不高，特别是当文本串T和模式串P的长度很大时。对于较长的文本串和模式串，BF算法的时间复杂度可能会导致性能问题。 答案就是KMP算法。 KMP算法 KMP算法的核心思想是利用模式串自身的特点来加速匹配过程，避免重复匹配。
65810编辑于 2024-06-18 - 来自专栏跟着小郑学JAVA
数电模电（三） 时序电路触发器 基本RS触发器 同步RS触发器 主从RS触发器 JK触发器 主从D触发器
，不然看S，S是1，输出就是1，反之就是0 波形： ---- 三：主从RS触发器 真值表： CP=1 保持 CP=0 R S Q 0 0 不变 0 1 1 1 0 0 1 1 不定 波形见例题9-
5.9K30编辑于 2023-07-31 - 来自专栏张叔叔讲互联网
如何建设一个类似神策的平台
除了使用完整的产品方案，神策还提供可以单独购买使用的服务，表9-4中简要介绍了各服务的主要应用场景。 表9-4 神策数据相关产品及适用场景 产品名称 主要功能点 应用场景 神策分析 报表（配置数据形成报表）概览（数据看板）分析（事件、留存、漏洞）书签智能预警分析 基于全渠道采集的数据，可以实现各类分析功能 神策智能运营 运营计划流程画布微信运营内容管理 制定运营计划，实现精准运营 神策智能推荐 物品库栏位（推荐规则） 配置推荐物料和策略，借助算法能力实现智能推荐。
1.4K30编辑于 2023-11-05 - 来自专栏牛客网
九月初，终于稳了一波，可以放松一下了嘛 附面经
——尼克·霍恩比 阿里 二面跪 阿里一面 1小时10分钟 自我介绍 hashcode equals区别 守护线程 wait和sleep区别 cms gc gc算法 rpc 优势 和http 数据库乐观锁悲观锁 自我介绍 hashmap原理 concurrenthashmap和分段锁 stringbuffer stringbuilder threadlocal http缓存 jdk1.8特性（不知道= =） gc算法 消息队列的pull和push模式优劣 手机上网3g 4g是在osi那个层协议用的不一样 = = 思路错了，猜了个比较靠近答案= = 我知道那些算法题你们都准备了，不考算法了来个好玩的题 将12345转成类似一万两千三百四十五元整这种 =res 左递归，退出条件为left==right） 滑动窗口 天平n个砝码 可以最多称量连续m克 求m（1个1g 2个最多1，3因为3-1=2，又因为两个可以称1，2，3，4所以三个可以最多到9g（9-
59110发布于 2018-09-20 - 来自专栏用代码征服天下
算法——排序算法
基本思想：现在有一个数组arr= {12,35,99,18,76}，需要将其从小到大排序
1.1K10编辑于 2022-05-09 - 来自专栏PPV课数据科学社区
【算法】PCA算法
小编邀请您，先思考： 1 PCA算法的原理是什么？ 2 PCA算法有什么应用？
2K40发布于 2018-04-18 - 来自专栏半生瓜のblog
【算法】查找算法
查找算法 查找的定义 查找:又称检索或查询，是指在查找表中找出满足一定条件的结点或记录对应的操作。 查找效率:查找算法中的基本运算是通过记录的关键字与给定值进行比较，所以查找的效率通常取决于比较所花的时间，而时间取决于比较的次数。通常以关键字与给定值进行比较的记录个数的平均值来计算。 数组是特殊的块索引（一个块一个元素）： [外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-xDbRyWBM-1635489015712)(查找算法.assets/image- [外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-6LawbrgF-1635489015715)(查找算法.assets/image-20211028180620292.png )] 分块查找的算法分两步进行，首先确定所查找的节点属于哪一块，即在索引表中查找其所在的块，然后在块内查找待查询的数据。
1.1K20编辑于 2023-05-13 - 来自专栏数据科学与人工智能
【算法】xgboost算法
小编邀请您，先思考： 1 XGBoost和GDBT算法有什么差异？ XGBoost的全称是 eXtremeGradient Boosting，2014年2月诞生的专注于梯度提升算法的机器学习函数库，作者为华盛顿大学研究机器学习的大牛——陈天奇。 xgboost问世后，因其优良的学习效果以及高效的训练速度而获得广泛的关注，并在各种算法大赛上大放光彩。 ? 具体算法如下： 输入：训练集 ? 输出：提升树 步骤： （1）初始化 （2） 对m=1,2,3……M a）计算残差 ?
2K90发布于 2018-03-27
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号