svm 問題
參考：
利用間隔最大化求得最優分離超平面，解是唯一的，此時分隔超平面所產生的分類結果也是魯棒性最好的，對未知例項的泛化能力也是最強的
為什麼要將求解svm 的原始問題轉換為對偶問題了？
為什麼svm要引入核函式 ？
當樣本在原始空間線性不可分時，可將樣本從原始空間對映到乙個更高維的特徵上，使得樣本在這個特徵空間內是線性可分的
svm 對缺失值比較敏感
沒有處理缺失值的能力 ，svm希望樣本在特徵空間上線性可分，所以特徵空間的好壞對svm很重要
邏輯回歸
參考：
邏輯回歸假設資料服從伯努利分布，通過極大化似然函式，運用梯度下降來求解引數，來達到二分類的目的
gbdt 和 xgboost
gbdt
xgboost
需要調節的引數：
通用引數;
- booster[預設gbtree]:選擇每次迭代的模型，有兩種選擇,基於線性的模型&基於樹的模型
- nthread 多執行緒控制
booster引數：
介紹一下卷積神經網路
一般的全連線網路，考慮的是輸入全域性的資訊而非區域性，在卷積網路中，以輸入為例，我們不在是一次性全部輸入，而是通過區域性卷積的方式，其中卷積網路中主要包含三個重要的概念：
- 感受野
- 共享權重
- 池化
參考
演算法I IV，連通問題簡單整理
總結 對於n個物件的連通問題，如果要執行m次合併操作，那麼快速查詢演算法將執行至少m n條指令。bool isconnected 1 int id,int p,int q 當輸入的資料不理想時，快速合併演算法的運算元要遠遠大於m n 2。幸運的是，我們對演算法做乙個簡單地修改就可以保證這樣的最壞情況...
A 演算法 整理
a 演算法 目錄2.總結 注 本文引自 概念 a 探路搜尋，是指在有障礙物的時候，尋找到達目的地最短路徑的搜尋。先介紹一些前置知識助於自己理解a 啟發式搜尋 這是對每乙個搜尋位置進行評估，得到好的位置，再從這個位置進行搜尋直到目標。這樣子好處是 剪枝，效率更高。啟發式搜尋的關鍵是如何進行估價。估價函...
OI Tarjin演算法整理
其實，tarjan演算法的基礎是dfs。我們準備兩個陣列low和dfn。low陣列是乙個標記陣列，記錄該點所在的強連通子圖所在搜尋子樹的根節點的dfn值 很繞嘴，往下看你就會明白 dfn陣列記錄搜尋到該點的時間，也就是第幾個搜尋這個點的。根據以下幾條規則，經過搜尋遍歷該圖 無需回溯 和對棧的操作，我...