FreeCodeCamp题目之中级算法4(where art thou)

本文介绍了一个JavaScript函数,该函数能够遍历对象数组并返回包含特定属性-值对的所有对象。通过示例说明了如何实现这一功能,并详细解释了代码的工作原理。

写一个 function,它遍历一个对象数组(第一个参数)并返回一个包含相匹配的属性-值对(第二个参数)的所有对象的数组。如果返回的数组中包含 source 对象的属性-值对,那么此对象的每一个属性-值对都必须存在于 collection 的对象中。

例如,如果第一个参数是 [{ first: "Romeo", last: "Montague" }, { first: "Mercutio", last: null }, { first: "Tybalt", last: "Capulet" }],第二个参数是 { last: "Capulet" },那么你必须从数组(第一个参数)返回其中的第三个对象,因为它包含了作为第二个参数传递的属性-值对。

function where(collection, source) {
  var arr = [];
  var keys = Object.keys(source);
  arr = collection.filter(function(val){
    for (var i = 0;i < keys.length;i++){
      if(!val.hasOwnProperty(keys[i]) || val[keys[i]] !== source[keys[i]]){
         return false;
         }
    }
    return true;
  });
  // What's in a name?
  return arr;
}
where([{"a": 1, "b": 2 } , { "a": 1 }, { "a": 1, "b": 2, "c": 2 }], { "a": 1, "b": 2 });

首先,自己一开始写不出来,借鉴了网上的思路。这个解法的思路在于:①用filter方法从collect对象当中遍历,选出我们所需要的元素。②使用keys函数提取source对象的所有属性,并跟collect每个元素进行一一对比(属性要对应相同,值也要对应相同)。下面是具体的步骤思路:

①用keys提取source中的所有属性,以下题为例则是 keys=['a','b'];

②使用filter遍历collect对象中的每一个元素(比如{"a": 1, "b": 2 }这样算其中一个元素),并进行筛选后放入arr中,再返回,这是大方向。

③接着在里头使用for循环,以方便遍历keys数组中的属性('a','b')来和collect元素进行对比。

④最重要的是if这串语句,字面意思上来解读就是:1.如果val中没有keys[i]这个属性,返回false。2.如果val对应的keys[i]值没有和source一致,也返回false。最后筛选出来的就是属性和值都对应。

⑤之后我尝试了将if的双否定+或语句改写成双肯定+与语句,即if(val.hasOwnProperty(keys[i]) && val[keys[i]] == source[keys[i]]){return true},结果发现这个其实是无法完成题目的(只能完成source只有一个元素的情况,即source = ['a':1]),原因如下:

我们可以模拟这个执行过程,首先keys[i]取第一个值a,发现是val(第一个元素)里的属性,并且val和source对应keys[i]的值也相等,所以满足条件返回true,这时候问题就出来了:机器还没开始检查keys[i]=b的时候,就将元素当成是对的了。 这就是问题所在。 而选择一开始的双否定就没有这个干扰:机器运算的时候,发现 值相等,属性相等,然后不返回false,而是继续执行下一个,开始for的另一个循环keys[i]='b',这时候遇到collection{'a'=1}的元素就马上发现问题,并且不放入最后的arr中。

内容概要:本文介绍了基于贝叶斯优化的CNN-LSTM混合神经网络在时间序列预测中的应用,并提供了完整的Matlab代码实现。该模型结合了卷积神经网络(CNN)在特征提取方面的优势与长短期记忆网络(LSTM)在处理时序依赖问题上的强大能力,形成一种高效的混合预测架构。通过贝叶斯优化算法自动调参,提升了模型的预测精度与泛化能力,适用于风电、光伏、负荷、交通流等多种复杂非线性系统的预测任务。文中还展示了模型训练流程、参数优化机制及实际预测效果分析,突出其在科研与工程应用中的实用性。; 适合人群:具备一定机器学习基基于贝叶斯优化CNN-LSTM混合神经网络预测(Matlab代码实现)础和Matlab编程经验的高校研究生、科研人员及从事预测建模的工程技术人员,尤其适合关注深度学习与智能优化算法结合应用的研究者。; 使用场景及目标:①解决各类时间序列预测问题,如能源出力预测、电力负荷预测、环境数据预测等;②学习如何将CNN-LSTM模型与贝叶斯优化相结合,提升模型性能;③掌握Matlab环境下深度学习模型搭建与超参数自动优化的技术路线。; 阅读建议:建议读者结合提供的Matlab代码进行实践操作,重点关注贝叶斯优化模块与混合神经网络结构的设计逻辑,通过调整数据集和参数加深对模型工作机制的理解,同时可将其框架迁移至其他预测场景中验证效果。
评论
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