- 博客(31)
- 收藏
- 关注
RSS订阅原创 2024.09.22 leetcode 每日一题
另一种解法：这种解法不用考虑构造对应关系，直接利用了ASCII表进行映射，而且对于字符串的拼接使用的方法也可以学习，减少了字符串反转的问题。给你一个整数 columnNumber ，返回它在 Excel 表中相对应的列名称。还可以参考下官方的解答。
2024-09-22 15:59:17
452
原创 2024.09.18 leetcode 每日一题
按照这个思路，先对于ab字符串反转，然后按位相加，最后考虑进位问题，这个思路还是有点问题。给你两个二进制字符串 a 和 b ，以二进制字符串的形式返回它们的和。下面是一种常规思路，上面的思路看不懂可以看下面这个。代码一，尝试使用笨办法，会造成溢出。
2024-09-22 11:45:50
377
原创 2024.09.14 leetcode 每日一题
上述代码对于部分样例无法通过，同时使用到了。下面的实现是ai提供的，主要是对于。，占用空间较大，较为笨拙。
2024-09-14 22:09:57
401
原创 2024.09.13 leetcode 每日一题
合理的括号出现必然是成对的，所以如果是有效的括号一定存在一对括号紧挨着， 将紧挨着的括号删去后继续判定剩余的其是否是有效的括号，直至全部删除。的字符，将这对去除，就会出现新的一对相邻，一共有s.length()个字符，最多只需要匹配一半的次数。其实他这个思路是字符串中一定会出现一对。
2024-09-13 20:07:31
449
1
原创 数学建模常用工具总结
绘图篇pythonMATLABBioLadderHiplot Pro 生物医学可视化平台ExcalidrawPPT绘图配色篇素材篇手绘素材插画网iconfont-阿里巴巴矢量图标库下面四个都是实物风格的素材，用处不大PngimgPixabayFreepikvecteezy抠图篇工欲善其事，必先利其器。今天来归纳总结一些好的工具，备赛数模比赛，同时也是日常科研的居家必备神器。
2024-08-31 11:46:52
1613
原创 ROS操作系统核心概念总结
ROS（Robot Operating System，机器人操作系统）是一个用于机器人的开源元操作系统。它提供了一系列的工具和库，帮助开发者更方便地创建机器人应用程序。
2024-08-07 21:10:41
771
原创 中心对数比变换（Centered Log Ratio Transformation，CLR）的原理及scikit-bio介绍
中心对数比变换（Centered Log Ratio Transformation，CLR）是一种数据预处理方法，常用于成分数据分析领域。在成分数据中，各成分之间通常存在一定的约束关系，比如它们的和为固定值等，中心对数比变换可以有效地处理这种具有特殊约束的数据。官方文档scikit-bio是一个在Python3中处理生物数据的库成分统计 (skbio.stats.composition )模块中的，此函数将组合从Aitchison几何体转换到真实空间。这个clr。
2024-08-07 15:56:54
6445
1
原创 分类变量的相关性分析（独立性检验）
例如，如果独立性检验的结果显示 p 值小于 0.05，那么我们可以认为两个分类变量之间存在显著的相关性；反之，如果 p 值大于等于 0.05，则不能得出变量之间存在相关性的结论。此外，样本量的大小、数据的质量等因素也可能会影响检验结果的可靠性。独立性检验的原假设是两个分类变量之间相互独立。如果 p 值小于显著性水平（通常为 0.05），则可以拒绝原假设，认为两个变量之间存在相关性。独立性检验的结果主要包括卡方值（chi2）、p 值、自由度（dof）和期望频数（expected）。
2024-08-06 14:21:51
809
原创 正则化（Regularization）
正则化（Regularization）是一种在机器学习和统计建模中常用的技术，用于防止模型过拟合（overfitting）。过拟合是指模型在训练数据上表现得很好，但对新的、未见过的数据泛化能力差。正则化通过在模型的损失函数中添加一个额外的项来实现，这个额外的项通常与模型的复杂度相关。通过正则化，可以平衡模型的偏差（bias）和方差（variance），从而提高模型在新数据上的预测性能。）是正则化系数，控制正则化项的强度。：结合了L1和L2正则化，同时惩罚参数的绝对值和平方值。
2024-08-02 10:39:10
415
原创 SMOTE方法进行重新采样平衡数据集
SMOTE（Synthetic Minority Over-sampling Technique）是一种处理不平衡数据集的流行方法，通过在少数类样本之间合成新的样本来平衡数据集，从而提高分类模型的性能。此外，还有结合欠采样和SMOTE的方法，如AdaBoost-SVM-MSA算法，它结合了SMOTE过采样和基于聚类的欠采样。总的来说，SMOTE是一个强大的工具，用于处理不平衡数据集，并且有多种变体和改进算法来解决其潜在的问题。库，它提供了SMOTE算法的实现。中的SMOTE，以及。
2024-08-02 09:48:44
683
原创 XGBoost 模型深度解析与 Python 实践指南
XGBoost 是基于梯度提升决策树（GBDT）的算法，它通过构建多个决策树并逐步优化，以最小化一个可微分的损失函数。XGBoost 的主要优势在于其对计算效率和模型性能的优化，以及对多种数据类型的支持。( n ) 是样本数量。( Y_i ) 是第 ( i ) 个观测的真实值。( \hat{Y}_i ) 是第 ( i ) 个观测的预测值。
2024-08-02 01:56:16
1273
原创 智能优化算法-遗传算法（GA）
源程序为 matlab 代码，笔者在此基础上将 matlab 代码转化为 python 代码实现。发现写的 python 脚本运行效果不好，不如 matlab 脚本。
2024-08-01 00:22:53
676
原创 python中 numpy.argsort 函数介绍及用法示例
函数是NumPy库中用于返回数组值排序后的索引数组的函数。这个函数非常有用，因为它允许你根据数组中的元素值来排序数组，同时保留原始数组的顺序，并且返回排序后的索引。首先被用于一维数组，然后用于二维数组的行和列排序。对于二维数组，可以通过指定。参数来选择是沿着行还是列进行排序。
2024-07-31 12:33:45
513
原创 ValueError: The truth value of an array with more than one element is ambiguous. Use a.any() or a.al
这样的语句，Python会尝试将整个数组转换为布尔值，但因为数组包含多个元素，Python不知道如何将其转换为单个的True或False。这个报错信息通常出现在使用Python在处理NumPy数组或Pandas的Series时。（True或False），而你提供的是一个数组。，但Python不知道如何处理这个比较，因为。例如，如果你尝试使用。
2024-07-31 11:34:49
1154
原创 __pycache__文件夹功能介绍
文件不应该被包含在版本控制系统（如Git）中，因为它们是可再生的，并且包含了编译时的元数据。文件夹的主要目的是提高Python程序的加载速度。文件夹是Python提高程序启动速度的一种机制，通过存储编译后的字节码来减少重复编译的开销。文件夹是一个特殊的目录，它用于存储编译后的Python字节码文件。文件是跨平台的，可以在不同的操作系统上使用相同的字节码文件。文件中，可以避免在每次运行程序时都重新编译源代码。文件的命名方式，从而影响缓存文件夹的组织方式。文件夹的名称或位置。文件夹，可以使用Python的。
2024-07-30 23:40:22
449
原创 元胞自动机
Nagel-Schreckenberg模型是一种用于模拟交通流的简单而有效的元胞自动机模型，由德国物理学家Reinhard Nagel和Michael Schreckenberg在1992年提出。该模型主要用于描述单向道路上车辆流动的行为，能够展示出交通堵塞的形成、消散以及密度波的传播等现象。加速规则：如果一辆车的速度v小于最大速度v_max，并且前方距离为d空白格（无车占据），则该车的速度增加1，直到达到v_max或者前方空位不足。减速规则。
2024-07-30 18:47:42
2243
原创 常见的MATLAB绘图代码
area函数主要针对与坐标轴围成的区域的填充，如果需要对图形窗口内任意闭合区域或多边形区域及进行填充，则需要用到fill和patch函数。fill函数是创建二维填充补片（patch），即填充多边形区域绘制为补片，其顶点位于由X和Y指定的(x,y)坐标位置，主要用于平面中多个区域的颜色填充。patch函数是创建彩色多边形的补片，即按X和Y指定为每个顶点的坐标创建一个或多个彩色多边形补片，主要用于平面中多边形的颜色填充。area函数是Y轴数值对 x 坐标轴围成的面积图，该函数根据Y的形状填充曲线之间的区域。
2024-07-30 15:19:24
3739
原创 数据标准化处理疑问
库中用于数据预处理的一个工具，它对每个特征进行标准化，使得特征的均值为0，标准差为1。这样做可以确保每个特征在PCA或其他算法中具有相同的重要性，因为算法通常对特征的尺度敏感。方法通常一起使用，因为它首先计算均值和标准差（fit），然后使用这些参数来转换数据（transform）。这样可以确保数据的标准化是基于整个数据集的，而不是基于数据集的一部分。首先计算整个数据集的均值和标准差，然后使用这些参数对每个特征的每个数据点进行标准化。这里发现会有一点的误差，很奇怪，看公式应该是一样的，不知道为什么。
2024-07-30 13:10:17
313
原创 主成分分析python代码实现及错误案例讲解
对数据标准化后再进行PCA，此时虽然PCA内部依然计算的是标准化后数据的协方差矩阵，但由于标准化数据的均值和方差已调整为一致，此时的协方差矩阵实际上等价于相关系数矩阵，因为标准化消除了量纲和尺度的影响。类在计算主成分时，默认计算的是数据的协方差矩阵。主成分分析（PCA）既可以使用协方差矩阵，也可以使用相关系数矩阵，具体选择哪种取决于数据的特性和分析的目的。下面是复现一篇论文时写的python代码，除了最后评价分析这里不科学，其他的地方还行吧，权当存档留念，以后再也不傻乎乎的用主成分进行综合评价了。
2024-07-30 12:15:32
1075
1
原创 计算机网络知识点题型总结
解答：电子邮件的协议 SMTP 有以下缺点：(1) SMTP 不能传送可执行文件或其他的二进制对象。(2) SMTP 限于传送 7 位的 ASCII 码。许多其他非英语国家的文字（如中文、俄文，甚至带重音符号的法文或德文）就无法传送。(3) SMTP 服务器会拒绝超过一定长度的邮件。(4) 某些 SMTP 的实现并没有完全按照 SMTP 的互联网标准。常见的问题如下：• 回车、换行的删除和增加；• 超过 76 个字符时的处理：截断或自动换行；• 后面多余空格的删除；
2024-07-30 12:08:05
734
原创 标准化、归一化、去中心化辨析
标准化：调整数据的均值和标准差，使其具有均值为0和标准差为1的特性。归一化：将数据缩放到一个固定范围，通常是[0, 1]。去中心化：仅将数据的均值调整为0，不改变其标准差。在实际应用中，选择哪种方法取决于数据的特性和后续分析的需求。有时，这些方法可以组合使用，以达到最佳的预处理效果。例如，可以先进行去中心化，然后进行标准化或归一化。
2024-07-30 12:04:03
1705
原创 决策树模型介绍及代码实现（python、R语言）
决策树是一种强大的分类工具，它通过递归地分割数据集来构建模型，可以很好地处理各种类型的数据。决策树模型是一种树形结构，其中每个内部节点代表一个属性（特征）的测试，每个分支代表测试的结果，每个叶节点代表一个类别（对于分类问题）或一个值（对于回归问题）。：这个过程在每个子集上重复进行，直到满足停止条件，如达到最大深度、所有数据点都属于同一类别或没有更多特征可供分割。：通过递归分割过程，构建出一个能够对新数据进行分类的模型。：根据所选特征的测试结果，数据被分割成不同的子集。在R语言中，可以使用。
2024-07-30 11:46:30
509
原创 最短路径算法介绍及python代码实现
Dijkstra算法是一种广泛使用的最短路径算法，适用于处理带有非负权重的图。每种算法都有其适用场景，选择哪种算法取决于具体问题的性质，如边的权重是否为非负、图的稠密程度、是否需要计算所有顶点对之间的最短路径等。最短路径算法是用来在加权图中找到两个顶点之间的最短路径，即路径上的边的权重之和最小的问题。Bellman-Ford算法可以处理带有负权重边的图，但不能处理负权重循环。Floyd-Warshall算法用于计算图中所有顶点对之间的最短路径。示例：使用字典的方式构建有向图，并搜索图中的路径。
2024-07-30 00:53:43
1161
原创 灰色预测模型介绍、python代码实现及可视化
灰色预测模型（Grey Model, GM）是一种基于灰色系统理论的预测方法，由邓聚龙教授于1982年提出。灰色预测适用于数据不完全、信息不足的情况，特别是在只有少量数据可供分析时。灰色预测的基本思想是通过生成数据（Data Generation），利用已知数据建立微分方程模型，然后求解模型参数，进行预测。数据标准化：建立灰色微分方程：数据同化：求解模型参数：建立预测模型：模型检验：进行预测：灰色预测模型广泛应用于经济、社会、科技、环境等多个领域，特别是在数据不足的情况下进行趋势预测和决策分析。
2024-07-30 00:10:26
1547
1
原创 层次分析法（AHP）步骤介绍及代码分析
层次分析法（Analytic Hierarchy Process，简称AHP）是一种多目标决策分析方法，由美国运筹学家托马斯·塞蒂（T.L.saaty）在20世纪70年代中期提出。它将复杂的决策问题分解为多个目标或准则，并进一步分解为多个指标的若干层次，通过定性指标模糊量化方法，算出层次单排序（权数）和总排序，以作为多方案优化决策的依据。class AHP:__init__方法是类的构造函数，用于初始化类实例。self.array存储传入的判断矩阵。self.n存储矩阵的大小（即行数或列数）。
2024-07-29 22:09:45
1268
原创 K-means聚类算法
K-means聚类算法是先随机选取K个对象作为初始的聚类中心。然后计算每个对象与各个种子聚类中心之间的距离，把每个对象分配给距离它最近的聚类中心。聚类中心以及分配给它们的对象就代表一个聚类。每分配一个样本，聚类的聚类中心会根据聚类中现有的对象被重新计算。这个过程将不断重复直到满足某个终止条件。终止条件可以是没有（或最小数目）对象被重新分配给不同的聚类，没有（或最小数目）聚类中心再发生变化，误差平方和局部最小。K-means算法的基本思想是将数据点划分到K个簇中，使得每个数据点属于与其最近的聚类中心对应的簇。
2024-07-29 21:47:28
1757
原创 计算机组成原理期末复习
P61 第二章4、6、7、8P115-116 第三章存储系统3、7、9、19P186 第五章中央处理器1、13、16、17P213-214 第六章总线系统P239 第七章外围设备P276-278 第八章输入\输出系统P312 第九章并行组织与结构4、5、6。
2024-07-29 18:00:43
1189
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人