大锅八十小锅四十

全是坑，嘤嘤哭泣= =简述下Boosting的工作原理 Boosting主要干两件事：调整训练样本分布，使先前训练错的样本在后续能够获得更多关注 集成基学习数目 Boosting主要关注降低偏差（即提高拟合能力）描述下Adaboost和权值更新公式 Adaboost算法是“模型为加法模型、损失函数为指数函数、学习算法为前向分布算法”时的二类分类学习方法。 Adaboost有两项内

728. Self Dividing Numbers：返回[left,right+1]区间内所有自分数的列表（自分数即该数%各位上的数=0，含0的数不是自分数）, Easyclass Solution(object): def selfDividingNumbers(self, left, right): """ :type left: int...

分类结果混淆矩阵 ——预测 预测 正例 TP FN 反例 FP TN 准确率： acc = (TP+FP)/(TP+TN+FP+FN) 查准率或精度Precision： P=(TP)/(TP+FP) 查全率或者灵敏性或者召回率Recall： R=(TP)/(TP+FN) P-R曲线：横坐标为P,纵坐标为R,平衡点BEP满足P=R的取...

自古套路留人心，发现自己对递归这块掌握的真的是“感人肺腑“（最近的语文水平断崖式下跌哎）来看下Leetcode中Tag为Recursion的题目 [Leetcode 687] Longest Univalue Path：给定二叉树，求节点值全部相等的最长路径。路径不一定要通过树根。Easy# Definition for a binary tree node.# clas...

来看下Leetcode中Tag为Dynamic Programming的题目股票买卖系列小偷光顾房子系列斐波那列序列及其变种70. Climbing Stairs：爬山问题,Easy dp[i] = dp[i-1]+dp[i-2]746. Min Cost Climbing Stairs：爬山问题，需要支付cost[i]费用,Easyclass Sol...

198. House Robber：小偷不能偷相邻的房子，求最大收益class Solution(object): def rob(self, nums): size = len(nums) if size == 0: return 0 if size <=2: return max(nums) Values =...

持更中。。。（最近电脑卡得要死） 主要focus在场景题上一、2015百度校招笔试题 （1）垃圾邮件分类问题 1. 垃圾邮件分类特征？ 2. 训练集中99%非垃圾、1%垃圾，训练模型视为100%非垃圾，准确率？召回率？ 3. 在实际的应用场景中，尽可能地找回垃圾邮件，应该怎么办？ （2）求元素之和最大的子数组 （解答：dp） （3）从字符串流中随机选择一个字符串 【从字符串流中...

题目和答案来自于网络，相关链接已贴。 春招不易，且学且珍惜～Q1：GBDT的算法流程？ A：GBDT是通过采用加法模型（基函数的线性组合），不断减小训练过程产生的残差来达到将数据分类或者回归的算法。针对一般损失函数优化困难问题，利用损失函数的负梯度在当前模型的值作为残差的近似值进行求解。Q2：GBDT如何选择特征？(CART Tree中的特征选择方法） A：遍历每个特征，然后对每个特...

过拟合和欠拟合产生原因 欠拟合：模型学习能力不足（太简单），无法学习到数据的真实分布，即模型的期望输出和真实输出之间有很大的差异，高偏差。过拟合：模型学习能力过分（太复杂），因噪声干扰等因素导致数据的分布有轻微的波动，但是模型也学习到了，导致模型的训练结果得到的数据分布过分依赖于所输入的数据，高方差。从模型泛化程度上理解，欠拟合的模型在训练集和测试集上表现不足，而过拟合的模型尽管在训练...

804. Unique Morse Code Words：统计单词翻译成摩斯电码后摩斯电码的个数，Easy set class Solution(object): def uniqueMorseRepresentations(self, words): """ :type words: List[str] :rtype...

744. Find Smallest Letter Greater Than Target：返回目标字母target插入到有序字母列表letters后下一个字母，如果target无下一个字母，则返回letters[0]，Easy 二分插入 index = bisect.bisect(letters, target) return letters[index % len(l...

454. 4Sum II：求满足A[i]+B[j]+C[k]+D[l] = 0的 (i,j,k,l)个数，Medium http://bookshadow.com/weblog/2016/11/13/leetcode-4sum-ii/ 利用字典cnt，将A，B中各元素（笛卡尔积）的和进行分类计数。 将C，D中各元素（笛卡尔积）和的相反数在cnt中的值进行累加，即为答案。...

344. Reverse String：字符串转置，Easy 定义头尾指针，调换对应的字符 class Solution(object): def reverseString(self, s): """ :type s: str :rtype: str """ s = list(s...

Depth-first-search104. Maximum Depth of Binary Tree：求树的最大深度, Easyclass Solution(object): def maxDepth(self, root): """ :type root: TreeNode :rtype: int """ ...

195. Tenth Line：显示文件第10行的内容，Easysed –help；查看具体使用规则： sed -n ‘xp’ filename；显示文件X行命令： sed -n ‘x,yp’ filename；显示文件X行到Y行的内容： 193. Valid Phone Numbers：匹配有效的电话号码形式，Medium 脱字符^匹配开头，美元字符$匹配结...

前言在特征的选择过程中，如果学习器（基学习器）是树模型的话，可以根据特征的重要性来筛选有效的特征。本文是对Random Forest、GBDT、XGBoost如何用在特征选择上做一个简单的介绍。各种模型的特征重要性计算Random Forests袋外数据错误率评估 RF的数据是boostrap的有放回采样，形成了袋外数据。因此可以采用袋外数据（OOB）错误率进行特征重要...

832. Flipping an Image：将数据先水平翻转，再01交换，返回数据。Easyclass Solution(object): def flipAndInvertImage(self, A): """ :type A: List[List[int]] :rtype: List[List[int]] "...

一个颇有好感的爱豆今天入伍了，人品和才华都没的说，但是因为这样或那样的原因，最终不得已提前进了部队，挺心疼他的。明年年底见吧。 昨天刷B站，看到国内一个练习生选秀节目中舞蹈导师批评国内练习生各种借口各种不努力，不禁感慨国内娱乐圈来钱太容易了。韩国爱豆生存压力大，每年出道的团很多，但是最后活下来的就那么几个。所以为了成功，他们需要不断努力不停练习，最终的表现和国内高下立判。 环境是很大的一个方面...

516. Longest Palindromic Subsequence：求字符串中最大回文子串（不一定连续）的最大长度 将s翻转成s1 求s和s1的最长公共子序列长度 可以先判断下s是否是回文 另外一个思路 dp[i][j] = dp[i + 1][j - 1] + 2 if s[i] == s[j] dp[i][j] = max(dp...

自己的理解 目标θ̃ =argmaxθP(Y|θ)\tilde{\theta} = argmax_\theta P(Y|\theta) 即我们要估计一个合理的θ̃ \tilde{\theta}使得P(Y|θ)P(Y|\theta)达到最大值 如果存在隐变量ZZ，我理解为ZZ是一个没有表现出来但是又是必要的一个中间态，那么P(Y|θ)P(Y|\theta)可以表示为P(Y|θ)=P(Y,Z|θ

几种优化算法，梯度下降的种类 考虑无约束优化问题 minxf(x)minxf(x)min_x f(x)梯度下降梯度下降法是一种常用的一阶优化方法，是求解无约束优化问题最简单、最经典的方法之一。其中，f(x)连续可微。若能构造一个序列x0,x1,x2,...x0,x1,x2,...x^0,x^1, x^2,...满足f(xt+1)<f(xt),t=0,1,2...f...

平时想到啥就记下来，慢慢补。 算法笔试复习性能度量（模型评价） 优化算法 Logistic Regression 决策树 支持向量机 贝叶斯分类器 聚类算法 Boosting、Bagging和Stacking EM算法 过拟合、欠拟合、正则化内容来源 机器学习面试1000题 李航《统计学习方法》 周志华《机器学习》 《Hands-On Machine Learn...

SVM 知识框架 SVM的原理是什么？ 有别于感知机，SVM在特征空间中寻找间隔最大化的分离超平面的线性分类器SVM为什么采用间隔最大化？ 超平面可以有无穷多个，但是几何间隔最大的分离超平面是唯一的，这样的分类结果也是鲁棒的，对未知实例的泛化能力最强。什么是支持向量？ 对于硬间隔，支持向量就是间隔边界上的样本点 对于软间隔，支持向量就是间隔边界、间隔带内、分离超平面误分类一侧的样本

目的：为了让模型的不确定性降低的越快越好三个过程：特征选择、决策树的生成、决策树的剪枝 （1）特征选择： 信息熵：随机变量不确定性的度量 H(X)=−∑ni=1pilogpiH(X)=−∑i=1npilogpiH(X)=-\sum_{i=1}^np_ilogp_i 信息增益：（ID3算法），得知特征X的信息而使类Y的信息的不确定减少的程度 g(D,A)=H(D)−H(D|A)g(D,...

生成模型和判别模型 判别模型：输入x，直接建模P(y|x)来得到c 生成模型：先对P(y,x)进行建模，然后再由此获得P(y|x)先验概率、条件概率／似然 类先验概率：p(y) 条件概率、似然：p(x|y)朴素贝叶斯分类 目标函数：（其实是最小化分类错误率） y=argmaxP(y=Ck)∏jP(Xj=xj|Y=ck)y=argmaxP(y=Ck)∏jP(Xj=xj|Y=ck)y...

开一个坑2.请简要介绍下tensorflow的计算图 @寒小阳：Tensorflow是一个通过计算图的形式来表述计算的编程系统，计算图也叫数据流图，可以把计算图看做是一种有向图，Tensorflow中的每一个计算都是计算图上的一个节点，而节点之间的边描述了计算之间的依赖关系。

Logistic RegressionLinear Regression 的原理(Logistic Regression 的基础) 目标函数 f(x)=wx+bf(x)=wx+bf(x)=wx+b 损失函数 均方误差 E=∑mi=1(f(xi)−yi)2E=∑i=1m(f(xi)−yi)2E = \sum_{i=1}^m(f(x_i)-y_i)^2 推广至多元 E=(y−wx)T(y−w...

来源《Python数据分析与数据化运营》 批注1： （丢弃）不宜采用的场景： （1）数据集总体中存在大量的数据记录不完整情况且比例较大，例如超过10%，删除这些带有缺失值的记录意味着将会损失过多有用信息。 （2）带有缺失值的数据记录大量存在着明显的数据分布规律或特征，例如带有缺失值的数据记录的label主要集中于某一类或者某积累，如果删除会导致对应的数据样本丢失大量特征信息，导致模型过...

聚类分析能够解决的问题 数据集可以分为几类、每个类别有多少样本量、不同类别中各个变量的强弱关系如何、不同类别的典型特征是什么、基于类别划分的其他应用（如图片压缩）知识点1：Kmeans流程，时间复杂度，优缺点，影响因素，改进方法 知识点2：KNN训练边界、KNN流程、K值选择方法、应用场景 知识点3：聚类应用场景，分类，原理，评价指标 知识点4：相似性度量、距离度量 1. K...

来看下Leetcode中Tag为Stack的题目[Leetcode 739] Daily Temperatures：求下一个温暖天气距离当前日期的时间差。Mediumclass Solution(object): def dailyTemperatures(self, temperatures): """ :type temperatures...

Base 1. Leetcode Easy,Medium 2. 各厂笔试题 3. 剑指Offer题解(Python版) 感觉好多坑要填啊，嘤嘤哭泣T^T，求抱抱。

121. Best Time to Buy and Sell Stock：股票一次买入卖出，求最大利润class Solution(object): def maxProfit(self, prices): if prices == []: return 0 minNum,ret = prices[0],0 for p in pr...

参考 理了一下八大排序（to do list好多年终于填掉了） 人是真的要锤大锤打才能成长起来哇～ 舍友过生日，先撤了～# - * - coding:utf8 - * - -'''@Author : Tinkle G@Creation Time: 2018/03/16'''class Solution(object): ########################...

95. Unique Binary Search Trees II：返回由[1,2,…,n]组成的所有二叉搜索树的列表，Medium. 思路：先确定root，在递归获取root.left和root.right # Definition for a binary tree node.# class TreeNode(object):# def __init__...