ARTS-for-week6-20181124

ARTS-for-week6-20181124

阅读文本大概需要 12 分钟。

又到周末啦，大家该吃吃该喝喝该玩玩，同时也不要抽点时间忘了学习哦。

今天更新文章有点晚了，因为小加一天忙着研究所的毕业论文开题预答辩，答辩时间从早上10点持续进行到下午3点多，为了节约时间，中午老师直接叫了麦当劳外卖，因为人有点多，所以你脑海里可以脑补一波一窝人坐在一个会议室里，每个人前面都放着一台笔记本，啃着汉堡包，喝着cola可乐和黄金炸小薯条的画面。结果当然满屋子都是汉堡包+小薯条的味道，感觉有点像好多热血青年集体在创业的感觉。。。

哈哈，言归正传，下面更新 ARTS 第六周的内容。

Algorithm

LeetCode 9. Palindrome Number 链接 难度：[Eazy]

【题意】

Determine whether an integer is a palindrome. An integer is a palindrome when it reads the same backward as forward.

判断一个数是否是回文数。

Example:

1
2
3
4
5
6
7
8
9
10
11
12
13
14

Example 1:

Input: 121
Output: true
Example 2:

Input: -121
Output: false
Explanation: From left to right, it reads -121. From right to left, it becomes 121-. Therefore it is not a palindrome.
Example 3:

Input: 10
Output: false
Explanation: Reads 01 from right to left. Therefore it is not a palindrome.

【思路】

这道题不是很难，比较简单，我想到有三种方法，并且分别AC了。

方法一 将原数转换为字符串，然后定义双指针，一个从前往后移动，一个从后往前移动，在指针移动的过程中，如果两个指针指向同一个字符串元素不相等，那么该字符串不是回文字符串，返回false即可。（时间复杂度O(n)，空间复杂度O(1)）。

方法二 思路跟方法一差不多，也是先将原数转换为字符串，然后我们只要枚举字符串一半的长度，分别将字符串的头尾的字符串进行判断，如果两个发现字符串元素不相等，那么该字符串不是回文字符串，返回false即可。（时间复杂度O(n)，空间复杂度O(1)）。

方法三 以上两种方法都是在原数的基础上进行了一些转换，可不可以在不进行额外的开销情况下，达到题目的要求呢？当然可以！我们只要再稍微思考一下，就会不难发现，我们重新考虑如果一个数是回文数的话，它有什么特点呢？从前往后读和从后往前读是一样的！我们将原数每位单独提取出来，然后进行重新整合为另一个新数，你会发现在十进制数字条件下重新整合的新数就是原数的逆转！如此一来，我们在不增加额外的开销情况下，直接判断新数和原数的大小关系，问题就解决了！ （时间复杂度 O(log10(n))，空间复杂度O(1)）。

【参考代码】

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21

/*方法一*/
class Solution {
public:
    bool isPalindrome(int x) {
        if( x<0 || ( x%10==0 && x!=0 ) )
            return false;
        else 
        {
            string s=to_string(x);
            int L=0;
            int R=s.length()-1;
            while( L<R )
            {
                if(s[L]!=s[R]) return false;
                L++;
                R--;
            }
            return true;
        }
    }
};

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17

/*方法二*/
class Solution {
public:
    bool isPalindrome(int x) {
        if( x<0 || ( x%10==0 && x!=0 ) )
            return false;
        string s = to_string(x);
        int n = s.size();
        for (int i = 0 ;i < n / 2; ++i) {
            if (s[i] == s[n - i - 1])
                continue;
            else
                return false;
        }
        return true;
    }
};

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17

/*方法三*/
class Solution {
public:
    bool isPalindrome(int x) {
        if(x < 0 || (x % 10 == 0 && x != 0)) {
            return false;
        }
        int result = 0;
        int origin = x;
        while( x > 0)
        {
            result = result * 10 + x % 10;
            x /= 10;
        }
        return result == origin;
    }
};

Review

机器学习中的分类算法类型（英文）

本文介绍了常用的机器学习中的分类算法类型

线性分类器Logistic回归朴素贝叶斯分类器支持向量机决策树Boosted树随机森林神经网络K近邻

并且对于每种算法进行了简要的概括和总结，最近我正好学习了在 ​​scikit learn​​ 中如何运用分类算法训练模型，分享给大家。

这部分介绍一下 新手如何在 ​​scikit learn​​ 中训练模型

在此部分其中我使用的数据集部分内容为以下形式

1
2
3
4
5

x1,x2,y
0.336493583877,-0.985950993354,0.0
-0.0110425297266,-0.10552856162,1.0
0.238159509297,-0.61741666482,1.0
-0.366782883496,-0.713818716912,1.0

表示图像如下

我们知道机器学习领域的一些最重要的分类算法，包括以下算法：

逻辑回归神经网络决策树支持向量机

给出测试数据，知道如何通过代码实际运用它们么？不用担心，！在 sklearn 中非常简单，只需定义分类器，然后使用下面这行代码使分类器与数据拟合（称为 ​​X​​​, ​​y​​）：

1

classifier.fit(X,y)

以下是我们定义的主分类器，以及必须导入的文件包：

逻辑回归

1
2

from sklearn.linear_model import LogisticRegression
classifier = LogisticRegression()

神经网络

（注意：仅适用于 0.18 或更高版本的 scikit-learn）

1
2

from sklearn.neural_network import MLPClassifier
classifier = MLPClassifier()

决策树

1
2

from sklearn.tree import DecisionTreeClassifier
classifier = DecisionTreeClassifier()

支持向量机

1
2

from sklearn.svm import SVC
classifier = SVC()

示例：逻辑回归

我们从头到尾地看看如何读取数据和训练分类器。假设使用上一部分的 X 和 y。然后，以下命令将训练逻辑回归分类器：

1
2
3

from sklearn.linear_model import LogisticRegression
classifier = LogisticRegression()
classifier.fit(X,y)

得出以下界线：

练习：训练自己的模型

机器学习学习中定义一个分类器classifier,现要求对X，y进行拟合。

其中X，y数据已经在前面表示过了。

【代码如下】

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20

import pandas
import numpy

# Read the data 读取数据
data = pandas.read_csv('data.csv')

# Split the data into X and y 将其拆分为特征 X 和标签 Y，并将它们转变为NumPy数组。
X = numpy.array(data[['x1', 'x2']])
Y = numpy.array(data['y'])

# import statements for the classification algorithms 常见的三种分类算法
from sklearn.linear_model import LogisticRegression  #逻辑回归
from sklearn.tree import DecisionTreeClassifier      #决策树
from sklearn.svm import SVC                          #支持向量机

#classifier = LogisticRegression();                 #用逻辑回归拟合
#classifier = DecisionTreeClassifier();             #用决策树拟合
classifier = SVC();                                 #这里我采用支持向量机拟合数据
classifier.fit(X,Y);                                #调用fit函数拟合数据

Tip

最近在回顾机器学习算法过程中，发现对于混淆矩阵这一块的知识点还不是搞得很清楚，后来经过阅读一些网络上的文章和可视化的参考资料，进一步加深了对混淆矩阵的知识点的理解。

在机器学习中，我们建立一个模型之后，我们想知道它的性能如何，这是个有难度的问题，但是我们可以学习一些不同的指标，通过它们来了解模型的好坏。我们来看看一个示例。

我们来看看患病情况下的一个例子

当就诊者患病，且模型正确确诊为患病时，说明这是一名患者，需要进一步入院进行检查或治疗，这种情况称之为true positive （真阳性）。当就诊者未患病，而且模型正确诊断患者为健康时，说明这是一名健康就诊者，不需要来医院，可以直接回家，这种情况称之为true negative（真阴性）。当就诊者患病，但是模型却诊断为健康时，说明模型诊断出错了，我们让患者在未接受治疗的情况下就回家了，这可有点糟糕！这种情况称之为false negative（假阴性）。最后当就诊者原来是健康的状态，却被模型诊断为患病状态，这也说明模型诊断出错了，我们让一名未患病者入院进行进一步检查或治疗。这种情况称之为false positive（假阳性）。

混淆矩阵，是一个用于描述模型性能的表。假如在一个模型中

我们有 1000 个人是患病的，并且被正确诊断为患病状态，我们把这种情况称之为 true positive （真阳性）。

有 200 个人是患病的，却被诊断为健康状态，我们把这种情况称之为 false negative（假阴性）。

有 800 个人是健康的，却被诊断为患病状态，我们把这种情况称之为 false positive（假阳性）。

最后，有 8000 个人是健康的，并且被正确诊断为健康状态，我们把这种情况称之为 true negative（真阴性）。

混淆矩阵只是存储了这四个值的表格。

CONFUSION MATRIX

总结来说

真阳性：实际为阳性，且模型确定标记为阳性的点真阴性：实际为阴性，且模型确定标记为阴性的点假阳性：实际为阴性，但模型确定标记为阳性的点假阴性：实际为阳性，但模型确定标记为阴性的点

Share

破坏程序员生产力的12件事（英文）

本文列出了影响程序员工作效率的常见情景：工作经常被打断、领导进行微观管理、产品需求不断扩大等等。

爱学习，爱技术

版权声明：本文内容由网络用户投稿，版权归原作者所有，本站不拥有其著作权，亦不承担相应法律责任。如果您发现本站中有涉嫌抄袭或描述失实的内容，请联系我们jiasou666@gmail.com 处理，核实后本网站将在24小时内删除侵权内容。