搜索结果
查询Tags标签： frac，共有 422条记录-
评价指标
混淆矩阵（Confusion Matrix）混淆矩阵预测类1 类2 类3实际 类1类2类3每一行之和为该类别真实样本数量，每一列之和为预测为该类的样本数量，对角线上为预测正确。 TP TN FP FN TP(True Positive)： 结果为正例，预测为正例 TN(True Negative)： 结果为负例，预测为负例 F…
2022/8/15 6:22:55 人评论 次浏览 -
[SDOI / SXOI2022] 多边形 解析
题目大意 给定一个不严格凸的多边形, 求其三角剖分的数量, 其中切出的三角形面积不能为 \(0\), 同时也不要求完全切完. 解法概要 容斥原理其实就是凑某个权函数, 我们直接思考这里的权是怎么凑的. 对于任意连续的 \(k\) 条边, 我们假设有 \([x^k]F(x)\) 这么多种方案将 \(…
2022/8/12 23:24:45 人评论 次浏览 -
能量石
能量石 岩石怪物杜达生活在魔法森林中，他在午餐时收集了 $N$ 块能量石准备开吃。 由于他的嘴很小，所以一次只能吃一块能量石。 能量石很硬，吃完需要花不少时间。 吃完第 $i$ 块能量石需要花费的时间为 $S_i$ 秒。 杜达靠吃能量石来获取能量。 不同的能量石包含的能量可…
2022/8/9 23:23:01 人评论 次浏览 -
[AcWing 197] 阶乘分解
点击查看代码 #include<bits/stdc++.h>using namespace std;typedef long long LL;const int N = 1e6 + 10;int n; vector<int> primes; bool st[N];void get_primes(int x) {for (int i = 2; i <= x; i ++) {if (!st[i])primes.push_back(i);for (auto p …
2022/8/8 6:25:25 人评论 次浏览 -
AVL tree 高度上下界推导
1. 高度下界 2. 高度上界 2.1. 最大高度对应 Node 数量 \(N_{h}\) 的递归公式 设有一棵 AVL tree 的高度为 \(h\), 对于该树, 其 node 数量为 \(N_{h}\). 有: 最坏情况下, root 的两棵 subtree 高度为 \(h-1\) 和 \(h-2\). 因此得到以下公式 (其中 \(h \in N^{+}\)): \[N_…
2022/8/6 23:27:11 人评论 次浏览 -
【牛客网235422 区间最大值】题解
题目地址 题目思路 以下分数皆表示整除 \[\Large\max(n\bmod i)\\\Large=\max(n-\frac n i\times i)\\\Large=n+\max(-\frac n i\times i)\\\Large=n-\min(\frac n i \times i) \]显然，当 \(\frac n i\) 一定时，\(i\) 越小越好，所以可以把每个 \(\frac n i\) 求出来，然…
2022/7/28 23:30:35 人评论 次浏览 -
数学-林士谔算法
代数基本定理 1 代数基本定理 任何复系数一元n次多项式（n至少为1）方程在复数域上至少有一根。 n次复系数多项式方程在复数域内有且只有n个根，重根按重数计算。 证明不会 2 虚根成对定理 在实系数多项式分解中，虚根成对分解，实根单一分解，因此对于奇数次多项式，一定…
2022/7/28 1:53:05 人评论 次浏览 -
HDU7162. Equipment Upgrade (2022杭电多校第3场1001)
HDU7162. Equipment Upgrade (2022杭电多校第3场1001) 题意 有一件装备，一开始是 \(0\) 级，可以强化它，当它在第 \(i\) 级时，需要花费 \(c_i\) 强化它，有 \(p_i\) 的概率强化成功（升高一级），\(1-p_i\) 的概率强化失败（降 \(1\) 至 \(i\) 级），其中降 \(j\) 级的…
2022/7/26 23:23:46 人评论 次浏览 -
NLP学习（二）——支持向量机（SVM）
Support Vector Machine(SVM) 对下图中的数据点进行分类：要解决的问题：什么样的决策边界最好？ 特征数据本身若很难分应怎么处理？ 计算复杂度如何？决策边界 若将数据点比喻为地雷，则决策边界为选出的离雷区最远的（雷区就是边界上的点，要large margin）距离的计算数…
2022/7/25 6:52:51 人评论 次浏览 -
二项式反演
二项式反演 定理 \(1\)：\(F(n)=\sum_{i=0}^{n}{{n\choose i}G(i)}\Leftrightarrow G(n)=\sum_{i=0}^{n}{(-1)^{n-i}{n\choose i}F(i)}\) 证明： 提取系数有 \(F[n]=\sum_{i=0}^{n}{{n\choose i}G[n]}\) \(\displaystyle \to \frac{F[n]}{n!}=\sum_{i=0}^{n}{\frac{1}{(n-…
2022/7/24 6:25:17 人评论 次浏览 -
筛法求欧拉函数之和
题目描述 求\(1\sim n\)每个数欧拉函数之和 想法如果\(i\)是质数 \(\varphi (i) = i - 1\)质数\(i\)只有\(1\)和\(i\)两个因数，\(i\)不和\(i\)本身互质，因数只有一个\(1\)，所以互质的数就有\(i-1\)个如果\(i\)不是质数\(i \% j = 0\) \(j\)是质数 则\(j\)即\(i\)的一个…
2022/7/24 6:24:07 人评论 次浏览 -
欧拉函数
给定 \(n\) 个正整数 \(a_i\)，请你求出每个数的欧拉函数。 欧拉函数的定义$ 1 \sim N $ 中与 $ N $ 互质的数的个数被称为欧拉函数，记为 $ ϕ(N) \(。 若在算数基本定理中，\) N = p_1{a_1}p_2{a_2}…p_m^{a_m} \(，则： \) ϕ(N) $ = $ N \times \frac{p_1-1}{p_1}…
2022/7/24 6:24:05 人评论 次浏览 -
2.单变量线性回归
1. 一元线性回归（模型描述） 常用符号： m ： 训练样本的数量 x ： 输入变量/特征 y : 输出变量/预测的目标变量 （x, y）: 表示一个训练样本 $$(x^{(i)}, y^{(i)})$$ : 表示特殊训练样本/第i个训练样本 监督学习的工作过程:2. 代价函数在线性回归中我们要解决的是一个最…
2022/7/23 23:28:36 人评论 次浏览 -
Recommendations as Treatments: Debiasing Learning and Evaluation
目录概符号说明MNAR 带来的 biasIPS EstimatorIPS Estimator 的变化性例子利用 IPS estimator 进行训练泛化界例子估计 Propensity Score泛化界疑问代码Schnabel T., Swaminathan A., Singh A., Chandak N., Joachims T. Recommendations as treatments: debiasing learni…
2022/7/16 23:46:13 人评论 次浏览 -
SDSC2021 Day1
又是一年SDSC到但是我已经成为时代的眼泪啦 但我翻翻去年的笔记，好像就Day1写得还行，剩下几天就很摸 所以就只把Day1的笔记搬过来啦~（我才不会说临时起意搬笔记的原因是又有好题图了（当然不是））配套题单 质数筛 提供一种快速的分解质因数的方法： 在线性筛的时候可以…
2022/7/9 23:54:11 人评论 次浏览
