Forest

转自：https://blog.csdn.net/az9996/article/details/86616668 在学习机器学习的过程中，常常遇到random_state这个参数，下面来简单叙述一下它的作用。 作用：控制随机状态。 原因：为什么需要用到这样一个参数random_state（随机状态）？ 在此先简单罗列三种情况： 1、在构建模型时： forest = RandomForestClassifier(n_estimators=100, random_state=0) forest.fit(X_train, y_train) 2、在生成数据集时： X, y = make_moons(n_samples=100, noise=0.25, random_state=3) 3、在拆分数据集为训练集、测试集时： X_train, X_test, y_train, y_test = train_test_split( cancer.data, cancer.target, stratify=cancer.target, random_state=42) 如果不设置random_state的话会怎样？ 例如1中，每次构建的模型是不同的。 例如2中，每次生成的数据集是不同的。 例如3中，每次拆分出的训练集、测试集是不同的。 之所以会这样，是因为模型的构建、数据集的生成

字符串(string) Description 小林与亮亮正在做一个游戏。小林随意地写出一个字符串，字符串只由大写 字母组成，然后指定一个非负整数 m，亮亮可以进行至多 m 次操作，每次操作 为交换相邻两个字符。亮亮的目标是使得操作后的字符串出现最长相同的字符的 长度最大。你能帮亮亮计算一下这个最大长度是多少吗？ Input 第一行一个字符串 S。 第二行一个整数 m。 Output 只有一个整数，表示所求的最大长度。 表示刚开始想了一个小时的$DP$ 然后还出样例了, 要不是手出了一组样例就凉了 然后还有20分钟的时候,发现是个 贪心+递归 将两侧的向中间移动显然更优 . 容易发现,同种字母移动才会产生影响. 因此直接枚举每种字母,记录其位置. 由于 从某一位置到目标位置的交换次数可求 .所以这样是可做的. $\color{red}{官方题解}$表示没看太懂 考察内容：字符串、枚举与贪心 字符串长度不超过 50，我们就可以枚举哪一个字符不动，其他相同字符向它靠近，左 右两边相同字符计算出它们与选定字符相邻需要移动几次，以此为关键值从小到大排序，贪心地处理即可。 代码 #include<cstdio> #include<iostream> #include<algorithm> #include<cstring> #define R register using namespace

链接：https://www.nowcoder.com/acm/contest/106/K 来源：牛客网 题目描述 It’s universally acknowledged that there’re innumerable trees in the campus of HUST. Now you're going to walk through a large forest. There is a path consisting of N stones winding its way to the other side of the forest. Between every two stones there is a distance. Let di indicates the distance between the stone i and i+1.Initially you stand at the first stone, and your target is the N-th stone. You must stand in a stone all the time, and you can stride over arbitrary number of stones in one step. If you stepped from the stone i to

题意： 某地沙漠化严重，沙漠里长了很多仙人掌，现在要让你删掉仙人掌的一些边让它的所有连通分量都是树，就完成了沙漠绿化（什么鬼逻辑？）让你计算删边的方案数。 仙人掌是一种特殊的图，它的每一条边只属于1或0条回路。 题解： 画几个仙人掌就能明白，仙人掌就是一棵树上的某些点长出了回路，可以把仙人掌分成若干个回路和不属于回路的边，要把仙人掌删成树不难，每个回路至少删掉一条边，即减掉一种所有回路边都不删的的方案，所有非回路边删或不删均可，假设非回路边有$a_0$个，第i个回路有$a_i$条边$(i=1,2....n)$，容易得出方案数是$2^{a_0}*\prod _{i=1}^{n} 2^{a_i}-1$ 难点在于怎样找出仙人掌的所有回路，一种方法是dfs，记录边的深度，一旦从深度高的边dfs到了深度低的边，即找到了一个环，dfs过程中有如下几种情况： 1，dfs到了父亲，不用管，直接continue 2，dfs到了深度比自己浅的点，就是找到了环，环边数为两点深度之差+1，如下图从5到1 3，dfs到了 比自己深度深的点，则是访问到了统计过的环，也不管 4，dfs到了未标记深度的点，将此点深度记为父节点深度+1并从此点开始dfs 此题坑点在于图未必是连通图，需要从每一个未标记深度的点开始dfs #include<iostream> #include <vector> #include

这篇文章内容是真的多，而且大段的文字，图和公式都很少，看起来很枯燥。。。说白了就是把整个模型拆成5 5 5的125个部分，这样一个像素点都扔进去随机森林里面训练和匹配，然后查出来他最可能的类别和在一个模型中位置。就一如他的开头这句话：The key new concept is a representation in form of a dense 3D object coordinate labelling paired with a dense class labelling.（关键的新概念就是将一个稠密的3D模型坐标标记搭配稠密的类别标记组建而成的表达方式） 使用LHCF（Latent-Class Hough Forests）：拆分模型成多个patch、用patch去匹配，并且使用random forest加速匹配速度，从而更快地找到对应的位置 The key new concept is a representation in form of a dense 3D object coordinate labelling paired with a dense class labelling. template-based techniques have in our view two fundamental shortcomings. Firstly, they match

一、Table for Content 　　在之前的文章中我们介绍了Decision Trees Agorithms，然而这个学习算法有一个很大的弊端，就是很容易出现 Overfitting ，为了解决此问题人们找到了一种方法，就是对Decision Trees 进行 Pruning(剪枝)操作。 　　为了提高Decision Tree Agorithm的正确率和避免overfitting，人们又尝试了对它进行集成，即使用多棵树决策，然后对于分类问题投票得出最终结果，而对于回归问题则计算平均结果。下面是几条是本篇要讲的主要内容。 Pruning (decision trees) What is Random forest algorithm? Why Random Forest algorithm? How Random Forest algorithm works? Advantages of Random Forest algorithm. Random Forest algorithm real life example. 　本文主要参考一下几篇文章，有能力的读者可自行前往阅读原文： 　　1. Wikipedia上的 Pruning (decision trees) 和 Random Froest algorithm 。 　　2. Dataaspirant上的《 HOW

【学习总结】《大话数据结构》- 总 第6章树-代码链接 启示： 树 目录 <!-- GFM-TOC --> 6.1 开场白 6.2 树的定义 6.3 树的抽象数据类型 6.4 树的存储结构 6.5 二叉树的定义 6.6 二叉树的性质 6.7 二叉树的存储结构 6.8 遍历二叉树 6.9 二叉树的建立 6.10 线索二叉树 6.11 树、森林与二叉树的转换 6.12 赫夫曼树及其应用 6.13 总结回顾 6.14 结尾语 <!-- GFM-TOC --> ======================================== 6.1 开场白 一些可以略过的场面话... ======================================== 6.2 树的定义 定义 注意： n>0时：根节点是唯一的，不可能存在多个根节点。 m>0时：子树的个数没有限制，但它们一定互不相交。 结点分类 结点的度（degree）：结点拥有的子树数 叶结点（leaf）或终结点：度为0的结点 非终端结点或分支结点：度不为0的结点 内部结点：除根节点外，分支结点也称为内部结点 树的度：树内各结点的度的最大值 结点间关系 孩子（child）：结点的子树的根称为该结点的孩子 双亲（parent）：该结点称为孩子的双亲（父母同体，唯一的一个） 兄弟（sibling）：同一个双亲的孩子之间互称兄弟

unity 3d开发的大型网络游戏 一、总结 1、unity的 官网 上面应该有游戏列表 2、 unity3D是很好的3d游戏引擎，也支持2d，也能做很多画面精良的3A级游戏 3、 范围 ：电脑游戏，手机游戏，网页游戏 3、 案例 ：unity3d开发的 网页游戏 有坦克英雄、新仙剑Online、蒸汽之城、绝代双骄等， 手机游戏 有 炉石传 说、 神庙逃亡 、武士2、神庙逃亡2...... 二、哪些游戏是用unity3d做的？ unity3D是如今绝大多数游戏开发团队的首选3D引擎，并且它在2D上的表现也及为优秀。它可以轻松解决很多其它引擎不能解决的问题，哪些游戏是用unity3d做的？小编特意帮大家问了： 有的网友说unity3d开发的游戏，多数都是用在iphone以及android等手机端游戏。 比较出名的是 武士系列游戏，涂鸦保龄球，城堡勇士，3D方块贴图，以及很多僵尸游戏。 还有网友说：unity3d开发的 网页游戏 有坦克英雄、新仙剑Online、蒸汽之城、绝代双骄等， 手机游戏 有炉石传说、神庙逃亡、武士2、神庙逃亡2...... 具体来了解下unity3d吧： Unity的游戏和应用可以用C#语言，UnityScript（一种JavaScript的扩展）或者Boo（一种受Python启发的语言）来开发，其编译过程根据不同的目标平台而变化。 在PC

Ensemble Learning是机器学习里最常见的建模方法，RandomForest 和 GBDT 采用了Ensemble Learning模式，只是具体方法不同。 下面简单翻译下一 https://www.analyticsvidhya.com/blog/2015/09/questions-ensemble-modeling/ 这篇文章，再来理解一下Ensemble Learning模式。 与Ensemble Learning相关的常见问题 1、什么是Ensemble Learning？ 2、什么是bagging, boosting, stacking？ 3、同一个ML算法怎么做集成(ensemble)？ 4、不同的模型如何确定权重？ 5、ensemble模型有什么优势？ 下面一个一个来回答。 1、什么是Ensemble Learning？ 文中举了一个垃圾邮件检测的例子，简单来说就是，仅凭单个规则很难准确识别垃圾邮件，但是使用多条规则会提高识别的准确率。这个例子是为了说明，ensemble learning是一个“多合一”的方法。“多”指的是多个个体模型（individual models），注意，并非是多个独立模型；“合一”指的是多个模型共同形成一个识别/回归结果。Ensemble的一般特点是，多个模型间的相关性越低，合成之后的识别/回归效果越好。 具体的合成方法有多种

1. 集成学习（Ensemble Learning）原理 2. 集成学习（Ensemble Learning）Bagging 3. 集成学习（Ensemble Learning）随机森林（Random Forest） 4. 集成学习（Ensemble Learning）Adaboost 5. 集成学习（Ensemble Learning）GBDT 6. 集成学习（Ensemble Learning）算法比较 7. 集成学习（Ensemble Learning）Stacking 1. 前言 如果读了我之前的几篇集成学习的博文，相信读者们已经都对集成学习大部分知识很有了详细的学习。今天我们再来一个提升，就是我们的集大成者GBDT。GBDT在我们的Kaggle的比赛中基本获得了霸主地位，大部分的问题GBDT都能获得异常好的成绩。 2. GBDT原理 GBDT的中文名叫梯度提升树，GBDT也是集成学习Boosting家族的成员，但是却和传统的Adaboost有很大的不同。回顾下Adaboost，我们是利用前一轮迭代弱学习器的误差率来更新训练集的权重，这样一轮轮的迭代下去。GBDT也是迭代，使用了前向分布算法，但是弱学习器限定了只能使用CART回归树模型，同时迭代思路和Adaboost也有所不同。 在GBDT的迭代中，假设我们前一轮迭代得到的强学习器是$f_{t-1}(x)$, 损失函数是