<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[Nylon_Min的博客]]></title><description><![CDATA[遇事不决，可问春风]]></description><link>https://blog.youkuaiyun.com/Nylon_Min</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; Nylon_Min]]></copyright><item><title><![CDATA[Java刷题——代码随想录Day3]]></title><link>https://blog.youkuaiyun.com/Nylon_Min/article/details/132241110</link><guid>https://blog.youkuaiyun.com/Nylon_Min/article/details/132241110</guid><author>Nylon_Min</author><pubDate>Fri, 11 Aug 2023 22:49:36 +0800</pubDate><description><![CDATA[Java刷题——代码随想录Day3]]></description><category></category></item><item><title><![CDATA[Java刷题——代码随想录Day2]]></title><link>https://blog.youkuaiyun.com/Nylon_Min/article/details/132220707</link><guid>https://blog.youkuaiyun.com/Nylon_Min/article/details/132220707</guid><author>Nylon_Min</author><pubDate>Thu, 10 Aug 2023 22:58:18 +0800</pubDate><description><![CDATA[Java刷题——代码随想录Day2]]></description><category></category></item><item><title><![CDATA[Java刷题——代码随想录Day1]]></title><link>https://blog.youkuaiyun.com/Nylon_Min/article/details/132197090</link><guid>https://blog.youkuaiyun.com/Nylon_Min/article/details/132197090</guid><author>Nylon_Min</author><pubDate>Wed, 09 Aug 2023 20:46:18 +0800</pubDate><description><![CDATA[Java刷题——代码随想录Day1]]></description><category></category></item><item><title><![CDATA[无畏艰险，愿从头再来。]]></title><link>https://blog.youkuaiyun.com/Nylon_Min/article/details/132191788</link><guid>https://blog.youkuaiyun.com/Nylon_Min/article/details/132191788</guid><author>Nylon_Min</author><pubDate>Wed, 09 Aug 2023 16:49:36 +0800</pubDate><description><![CDATA[无畏艰险，只愿从头再来。]]></description><category></category></item><item><title><![CDATA[机器学习:sklearn中的线性回归]]></title><link>https://blog.youkuaiyun.com/Nylon_Min/article/details/89261589</link><guid>https://blog.youkuaiyun.com/Nylon_Min/article/details/89261589</guid><author>Nylon_Min</author><pubDate>Fri, 12 Apr 2019 23:25:00 +0800</pubDate><description><![CDATA[线性模型
一：线性模型的概念：
在回归分析当中，线性模型的一般预测公式如下：
式中：x[0],x[1],…,x[p]为数据集中特征变量的数量(这个公式表示数据集中的数据点一共有p个特征)；w和b为模型的参数；y为模型对于数据结果的预测值。对于只有一个特征变量的数据集，公式可以简化为：
y=w[0]乘以x[0]+b




线性回归的基本原理




找到当训练数据集之中y的预测值和其真实值的平方差...]]></description><category></category></item><item><title><![CDATA[机器学习:sklearn中K最近邻算法]]></title><link>https://blog.youkuaiyun.com/Nylon_Min/article/details/89249622</link><guid>https://blog.youkuaiyun.com/Nylon_Min/article/details/89249622</guid><author>Nylon_Min</author><pubDate>Fri, 12 Apr 2019 19:04:18 +0800</pubDate><description><![CDATA[K最近邻算法
使用的直接是sklearn中的KNN。
K最近邻算法属于监督学习的一种。
它既可以应用于分类，也可以应用于回归。
一：K最近邻算法原理




KNN用于分类
KNN用于回归




其思想是如果一个样本在特征空间中的k个最相邻的样本中的大多数属于某一个类别，则该样本也属于这个类别，并具有这个类别上样本的特性。在scikit-learn中，K最近邻算法的K值是通过n_neighbor...]]></description><category></category></item><item><title><![CDATA[计算机数值分析:线性方程组直接法：高斯消去法(Python实现]]></title><link>https://blog.youkuaiyun.com/Nylon_Min/article/details/89219474</link><guid>https://blog.youkuaiyun.com/Nylon_Min/article/details/89219474</guid><author>Nylon_Min</author><pubDate>Thu, 11 Apr 2019 20:55:38 +0800</pubDate><description><![CDATA[计算机数值分析：
线性方程组的直接解法：高斯消去法
书本上的流程图如下：

这里也是使用的文件录入数据
文件如下：

代码如下：
#coding=gbk;
import numpy as np;

def GaussEliminate(datas,x):
    rows=datas.shape[0];    #这个行数其实同时也是变量的个数 
    cols=datas.shape[1];
 ...]]></description><category></category></item><item><title><![CDATA[计算机数值分析：线性方程组迭代公式:高斯-赛德尔（Python实现]]></title><link>https://blog.youkuaiyun.com/Nylon_Min/article/details/89217500</link><guid>https://blog.youkuaiyun.com/Nylon_Min/article/details/89217500</guid><author>Nylon_Min</author><pubDate>Thu, 11 Apr 2019 18:52:25 +0800</pubDate><description><![CDATA[计算机数值分析：
线性方程组迭代公式：高斯赛德尔迭代公式
课本上高斯赛德尔流程图如下：

这里直接就是使用了之前的雅可比迭代的文件：
文件为：

具体代码如下：
#coding=gbk
import numpy as np;
def GaoSiSaider(n,minner,datas,x):
    count=1;
    numVarity=datas.shape[0];
    cols=...]]></description><category></category></item><item><title><![CDATA[计算机数值分析：线性方程组的迭代法：雅可比迭代公式(Python实现]]></title><link>https://blog.youkuaiyun.com/Nylon_Min/article/details/89217431</link><guid>https://blog.youkuaiyun.com/Nylon_Min/article/details/89217431</guid><author>Nylon_Min</author><pubDate>Thu, 11 Apr 2019 18:45:34 +0800</pubDate><description><![CDATA[计算机数值分析
线性方程组的迭代法：雅可比迭代公式：
书上的流程图如下：

这里直接把输入输出弄到了文件之中


具体代码如下：
里面使用了python的numpy库
#coding=gbk
import numpy as np;
def Jacobi(n,minner,datas,x):
    count=1;
    numVarity=datas.shape[0];
    cols=da...]]></description><category></category></item><item><title><![CDATA[计算机组成原理：牛顿迭代法（求根的估计）(python实现]]></title><link>https://blog.youkuaiyun.com/Nylon_Min/article/details/89005322</link><guid>https://blog.youkuaiyun.com/Nylon_Min/article/details/89005322</guid><author>Nylon_Min</author><pubDate>Wed, 03 Apr 2019 21:30:05 +0800</pubDate><description><![CDATA[今天无意间发现了nympy这个库
于是就想着能够使用它来实现以下牛顿迭代法：
但是发现利用nympy如果写到函数里边,总是出现cannot unpack non-iterable Float object的错误
调试无果后 一气之下 直接都不要函数了  直接写
（生气.jpg
牛顿迭代法流程图如下：

代码如下：
在这里插入代码片


...]]></description><category></category></item><item><title><![CDATA[算法设计与分析:分治法解决归并排序]]></title><link>https://blog.youkuaiyun.com/Nylon_Min/article/details/88980605</link><guid>https://blog.youkuaiyun.com/Nylon_Min/article/details/88980605</guid><author>Nylon_Min</author><pubDate>Tue, 02 Apr 2019 20:39:44 +0800</pubDate><description><![CDATA[分治法解决归并排序问题：
思想：

代码如下：
#include "stdafx.h"
#include&lt;iostream&gt;
#include&lt;iomanip&gt;
using namespace std;
//这个函数是用来最后将两个子问题再来归并排序的
void merge(int r[], int r1[], int head, int mid, int tail)
{ ...]]></description><category></category></item><item><title><![CDATA[算法设计与分析:分治法输出数字旋转方阵]]></title><link>https://blog.youkuaiyun.com/Nylon_Min/article/details/88980245</link><guid>https://blog.youkuaiyun.com/Nylon_Min/article/details/88980245</guid><author>Nylon_Min</author><pubDate>Tue, 02 Apr 2019 20:32:01 +0800</pubDate><description><![CDATA[分治法输出数字旋转方阵
数字旋转方阵如下图所示：
从下图可以看出，从左上角开始，逆时针放置每次增加1的数字，直到“旋转”到最里层终止。

分治：将这个矩阵填数之时一层一层地填进去，也就是说子问题就是每次填写一层。

代码如下：
#include "stdafx.h"
#include&lt;iostream&gt;
#include &lt;iomanip&gt;
using namespace ...]]></description><category></category></item><item><title><![CDATA[计算机数值分析:牛顿插值(python实现]]></title><link>https://blog.youkuaiyun.com/Nylon_Min/article/details/88979524</link><guid>https://blog.youkuaiyun.com/Nylon_Min/article/details/88979524</guid><author>Nylon_Min</author><pubDate>Tue, 02 Apr 2019 20:13:54 +0800</pubDate><description><![CDATA[计算机数值分析：牛顿插值法
这里使用的是牛顿插值法的差商公式；
说明：   牛顿插值法可以说是埃特金插值法的升级版，所以在很大的程度上，牛顿插值法与埃特金插值法有类似的地方，但是也有不相同的地方。而这个不相同的地方正是我们编程的时候应该要注意的。
埃特金插值法代码实现：参考  埃特金Python实现
首先来说明一下牛顿差商公式的定义：
这里公式的说明参考：牛顿差商公式说明




牛顿差商公式
—...]]></description><category></category></item><item><title><![CDATA[算法设计与分析:蛮力法求解0/1背包问题]]></title><link>https://blog.youkuaiyun.com/Nylon_Min/article/details/88957790</link><guid>https://blog.youkuaiyun.com/Nylon_Min/article/details/88957790</guid><author>Nylon_Min</author><pubDate>Mon, 01 Apr 2019 21:42:58 +0800</pubDate><description><![CDATA[由于最近在复习算法设计与分析，所以就想试着完成一下书上的代码。
描述：
背包问题:
给定重量分别为,价值分别为的n件物品，和一个承重为W的背包。求这些物品中一个最有价值的子集，并能装到背包中。
背包问题的蛮力解法是穷举这些物品的所有子集，找出能够装到背包中的所有子集，并在这些子集中找出价值最大的子集
实验数据：
背包容量为10
给定4个物品，重量为{7，3，4，5}
对应的价值为：{42，12，4...]]></description><category></category></item><item><title><![CDATA[计算机数值分析（常微分方程的差分方法）：改进的欧拉公式（python实现]]></title><link>https://blog.youkuaiyun.com/Nylon_Min/article/details/88849965</link><guid>https://blog.youkuaiyun.com/Nylon_Min/article/details/88849965</guid><author>Nylon_Min</author><pubDate>Wed, 27 Mar 2019 17:20:47 +0800</pubDate><description><![CDATA[改进的欧拉公式
流程图以及方程式如下（以下代码是按照方程式写就）


由于使用改进的欧拉公式需要已知函数表达式的具体形式，故而这里用了书上的具体的习题
习题如下：

代码如下：
# coding=gbk;
#改进的欧拉方法需要函数的具体表达式  
#这里就暂且用书上的题目所给公式了
def compute_fx(x,y):
    return y-2*x/y;

#进行数据初始化
#需要输入初值...]]></description><category></category></item><item><title><![CDATA[计算机数值分析：复化辛普生公式（python实现]]></title><link>https://blog.youkuaiyun.com/Nylon_Min/article/details/88817271</link><guid>https://blog.youkuaiyun.com/Nylon_Min/article/details/88817271</guid><author>Nylon_Min</author><pubDate>Tue, 26 Mar 2019 12:41:41 +0800</pubDate><description><![CDATA[这里并不能够说完全实现了复化辛普生公式，因为这里面涉及到具体的函数，而我们需要事先知道函数表达式，才能够求出来。
故而这里是以书上的一道例题来写
例题以及书上结果如下：

这里我也并没有按照流程图来写（不过大同小异），而是按照表达式来写
流程图和表达式如下


代码如下：
# coding=gbk;
#因为使用复化辛普生公式会涉及到函数的具体形式
# 所以这里我就暂且令 f(x)=sin(x)/x...]]></description><category></category></item><item><title><![CDATA[计算机数值分析：埃特金插值法(python实现]]></title><link>https://blog.youkuaiyun.com/Nylon_Min/article/details/88816288</link><guid>https://blog.youkuaiyun.com/Nylon_Min/article/details/88816288</guid><author>Nylon_Min</author><pubDate>Tue, 26 Mar 2019 11:39:21 +0800</pubDate><description><![CDATA[埃特金插值法
这里要说明，我没有按照书中所给流程图来写。不过为了完整，还是将流程图贴上来

实际上，我是按照下面这个表，相当于是递推获得

代码如下
#0.3 0.29850 0.4 0.39646 0.5 0.49311 0.6 0.58813 0.7 0.68122  
#预测 0.462

def Data_in(list1,list2):
    list0=input("请输入离散点的值...]]></description><category></category></item><item><title><![CDATA[计算机数值分析：曲线拟合最小二乘法(python实现]]></title><link>https://blog.youkuaiyun.com/Nylon_Min/article/details/88815778</link><guid>https://blog.youkuaiyun.com/Nylon_Min/article/details/88815778</guid><author>Nylon_Min</author><pubDate>Tue, 26 Mar 2019 11:31:07 +0800</pubDate><description><![CDATA[曲线拟合最小二乘法
其中使用了机器学习之中得正规化方程直接计算得到theta
# coding=gbk;
# 要输入的数据data=165 187 123 126 150 172 123 125 141 148
import numpy as np;
import matplotlib.pyplot as plt;
def Data_in(list0,list1,list2):
    list0...]]></description><category></category></item><item><title><![CDATA[计算机数值分析：拉格朗日插值公式（python实现]]></title><link>https://blog.youkuaiyun.com/Nylon_Min/article/details/88815628</link><guid>https://blog.youkuaiyun.com/Nylon_Min/article/details/88815628</guid><author>Nylon_Min</author><pubDate>Tue, 26 Mar 2019 11:19:02 +0800</pubDate><description><![CDATA[拉格朗日插值公式
流程图如下：

python代码实现如下：
# coding=gbk;
def Data_in(list0,list1,list2):
    list0=input("请输入离散点的值：").split(" ");
    for i in range(0,len(list0)):
        if i%2==0:  #如果是奇数  那么指的也就是x
           ...]]></description><category></category></item><item><title><![CDATA[python机器学习：numpy基本操作]]></title><link>https://blog.youkuaiyun.com/Nylon_Min/article/details/88428500</link><guid>https://blog.youkuaiyun.com/Nylon_Min/article/details/88428500</guid><author>Nylon_Min</author><pubDate>Tue, 12 Mar 2019 20:41:40 +0800</pubDate><description><![CDATA[学习numpy时候的代码（内含注释）：
#coding=gbk
import numpy as np;
#想要将列表转换成numpy可以识别的数组
array1=np.array([[1,2,3],\
                [2,3,4]]);
print(array1);
print(&amp;amp;quot;number of dim:&amp;amp;quot; ,array1.ndim);#几维
print(&amp;amp;quot;shape:&amp;amp;quo]]></description><category></category></item></channel></rss>