上一页 1 ··· 3 4 5 6 7 8 9 10 11 下一页
摘要: 编辑距离 给你两个单词 word1 和 word2,请你计算出将 word1 转换成 word2 所使用的最少操作数 。 你可以对一个单词进行如下三种操作: 插入一个字符 删除一个字符 替换一个字符 链接:https://leetcode-cn.com/problems/edit-distance 阅读全文
posted @ 2020-09-11 17:45 木子士心王大可 阅读(107) 评论(0) 推荐(0)
摘要: ##最小路径和 给定一个包含非负整数的 m x n 网格,请找出一条从左上角到右下角的路径,使得路径上的数字总和为最小。 说明:每次只能向下或者向右移动一步。 class Solution: def minPathSum(self, grid) -> int: m = len(grid) if m 阅读全文
posted @ 2020-09-11 17:43 木子士心王大可 阅读(92) 评论(0) 推荐(0)
摘要: 跳跃游戏 给定一个非负整数数组,你最初位于数组的第一个位置。 数组中的每个元素代表你在该位置可以跳跃的最大长度。 判断你是否能够到达最后一个位置。 贪心算法 class Solution: def canJump(self, nums) : max_i = 0 #初始化当前能到达最远的位置 for 阅读全文
posted @ 2020-09-10 15:15 木子士心王大可 阅读(144) 评论(0) 推荐(0)
摘要: 给定一个整数数组 nums ,找到一个具有最大和的连续子数组(子数组最少包含一个元素),返回其最大和。 示例: 输入: [ 2,1, 3,4, 1,2,1, 5,4], 输出: 6 解释: 连续子数组 [4, 1,2,1] 的和最大,为 6。 来源:力扣(LeetCode) 链接:https://l 阅读全文
posted @ 2020-01-12 22:39 木子士心王大可 阅读(467) 评论(0) 推荐(0)
摘要: 给定一个字符串数组,将字母异位词组合在一起。字母异位词指字母相同,但排列不同的字符串。 示例: 输入: ["eat", "tea", "tan", "ate", "nat", "bat"], 输出: [ ["ate","eat","tea"], ["nat","tan"], ["bat"] ] 说明 阅读全文
posted @ 2020-01-09 16:43 木子士心王大可 阅读(106) 评论(0) 推荐(0)
摘要: 给定一个 n × n 的二维矩阵表示一个图像。 将图像顺时针旋转 90 度。 说明: 你必须在原地旋转图像,这意味着你需要直接修改输入的二维矩阵。请不要使用另一个矩阵来旋转图像。 来源:力扣(LeetCode) 链接:https://leetcode cn.com/problems/rotate i 阅读全文
posted @ 2020-01-09 16:36 木子士心王大可 阅读(312) 评论(0) 推荐(0)
摘要: 决策树模型与学习 决策树: if then 规则的集合 性质:互斥并且完备,每个实例有且仅有一条对应的规则或者路径 条件概率分布 决策树表示给定特定特征条件下的条件概率分布 条件概率分布将特征空间进行了划分,每个划分是一个单元或者区域 学习 决策树学习的本质是从训练数据集中归纳一组分类规则 损失函数 阅读全文
posted @ 2020-01-09 15:26 木子士心王大可 阅读(221) 评论(0) 推荐(0)
摘要: ```python class Solution: def permute(self, nums): res = [] def func(ans,num): if len(num)==0: res.append(ans) for i in range(len(num)): each = num[i] t = ans.copy() t.append(each) func(t,num[:i]+num[ 阅读全文
posted @ 2020-01-07 19:41 木子士心王大可 阅读(153) 评论(0) 推荐(0)
摘要: 给定 n 个非负整数表示每个宽度为 1 的柱子的高度图,计算按此排列的柱子,下雨之后能接多少雨水。 链接: https://leetcode cn.com/problems/trapping rain water/ 我的解法 如果一个柱子可以作为盛水的边界,那么它一定满足一个条件,要不就是它不小于左 阅读全文
posted @ 2020-01-07 19:29 木子士心王大可 阅读(175) 评论(0) 推荐(0)
摘要: 学习和分类 基本方法 学习先验概率分布: $$P(Y=c_k)$$ 学习条件概率分布: $$P(X=x|Y=c_k)$$ 于是学习到了联合概率分布$P(X,Y)$,所以是生成模型 条件独立性假设 $\begin{align }P(X=x|Y=c_k)=&P(X^{(1)}=x^{(1)},\cdot 阅读全文
posted @ 2020-01-07 18:23 木子士心王大可 阅读(116) 评论(0) 推荐(0)
上一页 1 ··· 3 4 5 6 7 8 9 10 11 下一页