1.基于Logistic回归和Sigmoid函数的分类逻辑回归适合于01情况的分类就是描述一个问题是或者不是，所以就引入sigmoid函数，因为这个函数可以将所有值变成0-1之间的一个值，这样就方便算概率首先我们可以先看看Sigmoid函数(又叫Logistic函数)将任意的输入映射到了[0,1]区间我们在线性回归中可以得到一个预测值，再将该值映射到sigmoid函数中这样就完成了由值到概率的转换，也就是分类任务，公式如下：整合成一个公式，就变成了如下公式：z是一个矩阵，θ是参数列向量(要求解的)，x是样本列向量(给定的数据集)，θ^T表示θ的转置Sigmoid函数的输入记为z，由下面公式得出
1.介绍权值衰减weightdecay即L2正则化，目的是通过在Loss函数后加一个正则化项，通过使权重减小的方式，一定减少模型过拟合的问题。L1正则化：即对权重矩阵的每个元素绝对值求和，λ∗∣∣W∣∣λ*||W||λ∗∣∣W∣∣L2正则化：即对权重矩阵的每个元素求平方和（先平方，后求和）:1/2∗λ∗∣∣W∣∣21/2*λ*||W||^21/2∗λ∗∣∣W∣∣2注意：正则化项不需要求平均数，因为权重矩阵和样本数量无关，只是为了限制权重规模。L1损失函数：最小化绝对误差，因此L1损失对异常点有较好的适应更鲁棒，不可导，有多解，解的稳定性不好。关于L1损失函数的不连续的问题，可以通过平滑L1损失
1.介绍权值衰减weightdecay即L2正则化，目的是通过在Loss函数后加一个正则化项，通过使权重减小的方式，一定减少模型过拟合的问题。L1正则化：即对权重矩阵的每个元素绝对值求和，λ∗∣∣W∣∣λ*||W||λ∗∣∣W∣∣L2正则化：即对权重矩阵的每个元素求平方和（先平方，后求和）:1/2∗λ∗∣∣W∣∣21/2*λ*||W||^21/2∗λ∗∣∣W∣∣2注意：正则化项不需要求平均数，因为权重矩阵和样本数量无关，只是为了限制权重规模。L1损失函数：最小化绝对误差，因此L1损失对异常点有较好的适应更鲁棒，不可导，有多解，解的稳定性不好。关于L1损失函数的不连续的问题，可以通过平滑L1损失
在去年的文章中我们介绍过BayesianBootstrap，今天我们来说说WeightedBayesianBootstrapBayesianbootstrap贝叶斯自举法（Bayesianbootstrap）是一种统计学方法，用于在缺乏先验知识的情况下对一个参数的分布进行估计。这种方法是基于贝叶斯统计学的思想，它使用贝叶斯公式来计算参数的后验分布。在传统的非参数自举方法中，样本是从一个已知分布中抽取的，然后使用这些样本来估计这个分布的性质。然而，在实际问题中，我们通常无法获得这样的先验知识，因此需要使用其他方法来估计分布。贝叶斯自举法是一种替代方法，它不需要先验知识，而是从样本中抽取子样本，然
在去年的文章中我们介绍过BayesianBootstrap，今天我们来说说WeightedBayesianBootstrapBayesianbootstrap贝叶斯自举法（Bayesianbootstrap）是一种统计学方法，用于在缺乏先验知识的情况下对一个参数的分布进行估计。这种方法是基于贝叶斯统计学的思想，它使用贝叶斯公式来计算参数的后验分布。在传统的非参数自举方法中，样本是从一个已知分布中抽取的，然后使用这些样本来估计这个分布的性质。然而，在实际问题中，我们通常无法获得这样的先验知识，因此需要使用其他方法来估计分布。贝叶斯自举法是一种替代方法，它不需要先验知识，而是从样本中抽取子样本，然
题意给你n个节点的树，让你给每个节点进行赋值，并且赋的值需要为正整数；同时当一个节点的值等于所有邻居节点的值的和时，这个点为好点；求出一组赋值情况，满足树的好点个数最大化的同时，所有节点赋值的总和最小；思路1.显然无法存在两个好点相邻存在的情况（除非只有两个节点）；2.对于坏点直接赋值为1即可；3.可以树形dp解决，f[x][0/1][0/1]，第一维代表以x为根，第二维代表是否为好点，第三维代表是好点的个数/子树节点值的总和代码#includeusingnamespacestd;vectorg[200005];intf[200005][2][2];longlongans[200005];in
题意给你n个节点的树，让你给每个节点进行赋值，并且赋的值需要为正整数；同时当一个节点的值等于所有邻居节点的值的和时，这个点为好点；求出一组赋值情况，满足树的好点个数最大化的同时，所有节点赋值的总和最小；思路1.显然无法存在两个好点相邻存在的情况（除非只有两个节点）；2.对于坏点直接赋值为1即可；3.可以树形dp解决，f[x][0/1][0/1]，第一维代表以x为根，第二维代表是否为好点，第三维代表是好点的个数/子树节点值的总和代码#includeusingnamespacestd;vectorg[200005];intf[200005][2][2];longlongans[200005];in
本题为3月14日23上半学期集训每日一题中B题的题解题面题目描述已知原数列\(a_1,a_2,\cdots,a_n\)中的前1项，前2项，前3项，...，前n项的和，以及后1项，后2项，后3项，...，后n项的和，但是所有的数都被打乱了顺序。此外，我们还知道数列中的数存在于集合S中。试求原数列。当存在多组可能的数列时，求字典序最小的数列。输入第1行，一个整数n。第2行，\(2\timesn\)个整数，注意：数据已被打乱。第3行，一个整数m，表示S集合的大小。第4行，m个整数，表示S集合中的元素。输出输出满足条件的最小数列。样例输入51257791213141441245样例输出11525提示数
本题为3月14日23上半学期集训每日一题中B题的题解题面题目描述已知原数列\(a_1,a_2,\cdots,a_n\)中的前1项，前2项，前3项，...，前n项的和，以及后1项，后2项，后3项，...，后n项的和，但是所有的数都被打乱了顺序。此外，我们还知道数列中的数存在于集合S中。试求原数列。当存在多组可能的数列时，求字典序最小的数列。输入第1行，一个整数n。第2行，\(2\timesn\)个整数，注意：数据已被打乱。第3行，一个整数m，表示S集合的大小。第4行，m个整数，表示S集合中的元素。输出输出满足条件的最小数列。样例输入51257791213141441245样例输出11525提示数
本文是龚国玮所写，熊哥有所新增修改删减，原文见文末。我说我为什么抽不到SSR，原来是加权随机算法在作祟阅读本文需要做好心理准备，建议带着深究到底的决心和毅力进行学习！灵魂拷问为什么有50%的几率获得金币？为什么有40%的几率获得钻石？为什么只有9%的几率获得装备？为什么才有1%的几率获得极品装备？是人性的扭曲，还是道德的沦丧，请和我一起走进今日说法！介绍元素被选中的机会并不相等，而是由相对“权重”（或概率）被选中的，是偏心的，这就是加权随机。举个栗子，假如现在有一个权重数组w={1,2,4,8}，它们代表如下规则。$\frac{1}{(1+2+4+8)}=\frac{1}{15}\approx
