<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[jyt1129的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/jyt1129</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; jyt1129]]></copyright><item><title><![CDATA[排序算法——快速排序]]></title><link>https://blog.youkuaiyun.com/jyt1129/article/details/69566939</link><guid>https://blog.youkuaiyun.com/jyt1129/article/details/69566939</guid><author>jyt1129</author><pubDate>Fri, 07 Apr 2017 15:39:32 +0800</pubDate><description><![CDATA[原文地址：http://blog.youkuaiyun.com/morewindows/article/details/668455


快速排序由于排序效率在同为O(N*logN)的几种排序方法中效率较高，因此经常被采用，再加上快速排序思想----分治法也确实实用，因此很多软件公司的笔试面试，包括像腾讯，微软等知名IT公司都喜欢考这个，还有大大小的程序方面的考试如软考，考研中也常常出现快速排序的身影。]]></description><category></category></item><item><title><![CDATA[机器学习——SVM算法原理（2)]]></title><link>https://blog.youkuaiyun.com/jyt1129/article/details/68484965</link><guid>https://blog.youkuaiyun.com/jyt1129/article/details/68484965</guid><author>jyt1129</author><pubDate>Thu, 30 Mar 2017 11:28:03 +0800</pubDate><description><![CDATA[（2）线性支持向量机与软间隔最大化
1.线性支持向量机
针对线性可分的数据，我们可以采用线性可分支持向量机进行划分，模型如下：

（1）

但是对于线性不可分的数据集，通常情况下，训练数据中存在一些特异点，当去除特异点后，剩下的样本点组成的集合是线性可分的。那么针对线性不可分数据集，意味着默写样本点（特异点）不满足函数间隔大于等于1的约束条件。为解决这个问题，我们对这些特异点引入了一个]]></description><category></category></item><item><title><![CDATA[机器学习——SVM算法原理（1)]]></title><link>https://blog.youkuaiyun.com/jyt1129/article/details/68070753</link><guid>https://blog.youkuaiyun.com/jyt1129/article/details/68070753</guid><author>jyt1129</author><pubDate>Wed, 29 Mar 2017 20:02:26 +0800</pubDate><description><![CDATA[（1）线性可分支持向量机与硬间隔最大化
考虑一个二分类问题，假设输入空间与特征空间为两个不同的空间，输入空间为欧式空间或离散集合，特征空间为欧式空间或希伯特空间。线性支持向量机假设这两个空间的元素一一对应，并将输入空间的输入映射为特征空间中的特征向量，而非线性支持向量机利用一个从输入空间到特征空间的非线性映射将输入映射为特征向量。
假设给定一个特征空间上的训练数据集
T={(x1,y1),(]]></description><category></category></item><item><title><![CDATA[c++中引用变量的使用]]></title><link>https://blog.youkuaiyun.com/jyt1129/article/details/68062722</link><guid>https://blog.youkuaiyun.com/jyt1129/article/details/68062722</guid><author>jyt1129</author><pubDate>Wed, 29 Mar 2017 15:13:09 +0800</pubDate><description><![CDATA[c++中引用是已定义的变量的别名，例如，如果把b作为a变量的引用，则可以交替使用a和b来表示该变量。引用的主要用途是作为函数的形参，通过将引用变量作为参数，函数将使用原始数据，而不是副本（把变量之间传入函数使用的是变量的副本），因此引用为处理大型数据参数的函数提供了一种很好的办法。


一、创建引用变量
引用变量用&符号表示（&还可以表示取地址符），例如：把b作为a变量的引用变量：

]]></description><category></category></item><item><title><![CDATA[c++中函数指针的使用]]></title><link>https://blog.youkuaiyun.com/jyt1129/article/details/67634936</link><guid>https://blog.youkuaiyun.com/jyt1129/article/details/67634936</guid><author>jyt1129</author><pubDate>Tue, 28 Mar 2017 13:42:16 +0800</pubDate><description><![CDATA[一、简单介绍
与数据项相似，函数也有地址。函数的地址是存储其机器语言代码的内存的开始地址。虽然这对用户来说并没有什么用，但对于程序而言，却很有用，例如，它可以允许在不同的时间传递不同函数的地址。
二、函数指针的使用


获取函数的地址
获取函数的地址很简单，只要使用函数名（后面不跟参数）就可以了。例如，think()是一个函数，则think就是该函数的地址。要将函数作为参数进行传递时，]]></description><category></category></item><item><title><![CDATA[编程题——二维数组中查找]]></title><link>https://blog.youkuaiyun.com/jyt1129/article/details/67632293</link><guid>https://blog.youkuaiyun.com/jyt1129/article/details/67632293</guid><author>jyt1129</author><pubDate>Tue, 28 Mar 2017 09:58:46 +0800</pubDate><description><![CDATA[题目：在一个二维数组中，每一行都按照从左到右递增的顺序排序，每一列都按照从上到下递增的顺序排序。请完成一个函数，输入这样的一个二维数组和一个整数，判断数组中是否含有该整数。
/*
思路
*
矩阵是有序的，从左下角来看，向上数字递减，向右数字递增，
*
因此从左下角开始查找，当要查找数字比左下角数字大时。右移
*
要查找数字比左下角数字小时，上移*/
class Solution ]]></description><category></category></item><item><title><![CDATA[c++中结构体作为函数参数的使用]]></title><link>https://blog.youkuaiyun.com/jyt1129/article/details/66973377</link><guid>https://blog.youkuaiyun.com/jyt1129/article/details/66973377</guid><author>jyt1129</author><pubDate>Mon, 27 Mar 2017 16:49:40 +0800</pubDate><description><![CDATA[结构体虽然和数组一样，都可以存储多个数据项，但是在涉及到函数时，结构变量的行为更接近于一个基本的单值变量，也就是说，与数组不同，结构将其数据组合成单个实体或数据对象，该实体被视为一个整体。函数中参数为结构时，有三种方法：
1.直接将结构作为参数传递，并在需要时作为返回值返回。因此这种方法适用于结构比较小的情况。
例1：
// travel.cpp -- using structures wi]]></description><category></category></item><item><title><![CDATA[《机器学习实战》——logistic回归]]></title><link>https://blog.youkuaiyun.com/jyt1129/article/details/65450076</link><guid>https://blog.youkuaiyun.com/jyt1129/article/details/65450076</guid><author>jyt1129</author><pubDate>Thu, 23 Mar 2017 21:55:47 +0800</pubDate><description><![CDATA[一、逻辑斯蒂分布
对于一个二分类问题，即我们需要一个函数，使得该函数接受所有输入，然后输出0或者1。显然单位阶越函数能满足这个要求，然而该函数在跳跃点从0瞬间跳跃到1的过程很难处理，所以我们用另一个函数，它具有上述的输出0/1的性质，在数学上称为Sigmoid函数。Sigmoid函数的计算公式如下：


在逻辑斯蒂回归算法中，我们用的是属于Sigmodi函数中的逻辑斯蒂函数，逻辑斯蒂分布的]]></description><category></category></item><item><title><![CDATA[《机器学习实战》——朴素贝叶斯分类]]></title><link>https://blog.youkuaiyun.com/jyt1129/article/details/64124847</link><guid>https://blog.youkuaiyun.com/jyt1129/article/details/64124847</guid><author>jyt1129</author><pubDate>Mon, 20 Mar 2017 14:04:48 +0800</pubDate><description><![CDATA[朴素贝叶斯法是基于贝叶斯定理与特征条件独立假设的分类方法。对于给定的训练数据集，首先基于特征条件独立假设学习输入/输出的联合概率分布；然后基于此模型，对给定输入x，利用贝叶斯定理计算后验概率最大的输出y。朴素贝叶斯法在数据较少的情况下任然有效，但对输入数据的准备方式较为敏感。]]></description><category></category></item><item><title><![CDATA[直方图均衡化、自适应直方图均衡化]]></title><link>https://blog.youkuaiyun.com/jyt1129/article/details/63685165</link><guid>https://blog.youkuaiyun.com/jyt1129/article/details/63685165</guid><author>jyt1129</author><pubDate>Sun, 19 Mar 2017 15:42:15 +0800</pubDate><description><![CDATA[一、直方图均衡化




简述

直方图均衡化的英文名称是：Histogram Equalization. 
　　图像对比度增强的方法可以分成两类:一类是直接对比度增强方法;另一类是间接对比度增强方法。直方图拉伸和直方图均衡化是两种最常见的间接对比度增强方法。直方图拉伸是通过对比度拉伸对直方图进行调整，从而“扩大”前景和背景灰度的差别，以达到增强对比度的目的，这种方法可以利用线性或]]></description><category></category></item><item><title><![CDATA[《机器学习实战》——决策树]]></title><link>https://blog.youkuaiyun.com/jyt1129/article/details/62890777</link><guid>https://blog.youkuaiyun.com/jyt1129/article/details/62890777</guid><author>jyt1129</author><pubDate>Fri, 17 Mar 2017 16:24:05 +0800</pubDate><description><![CDATA[在这篇博文中，总结了决策树的基本用法和用python写的测试demo
1. 决策树的定义
分类决策树模型是一种描述对实例进行分类的树形结构。决策树由结点（Node）和有向边（directed edge）组成。结点有两种类型：内部结点（internal node）和叶节点（leaf node）。内部结点表示一个特征或属性，叶结点表示一个类。
2. 决策树测试过程
用决策树分类，从根结点开始，]]></description><category></category></item><item><title><![CDATA[《机器学习实战》——k-近邻算法实现]]></title><link>https://blog.youkuaiyun.com/jyt1129/article/details/62421954</link><guid>https://blog.youkuaiyun.com/jyt1129/article/details/62421954</guid><author>jyt1129</author><pubDate>Thu, 16 Mar 2017 13:39:53 +0800</pubDate><description><![CDATA[首先介绍一下k-近邻算法的伪代码：


计算已知类别数据集中的点与当前点之间的距离按照距离递增次序排序选取与当前点距离最小的K个点确定K个点所在的类别出现的频率返回前K个点出现频率最高的类别作为当前点的预测分类结果
def classify0(inX, dataSet, labels, k):
    dataSetSize = dataSet.shape[0]      #计算矩阵的行数]]></description><category></category></item></channel></rss>