7-9 合并有序数组分数 10全屏浏览切换布局作者 伍建全单位 重庆科技大学给定2个非降序序列，要求把他们合并成1个非降序序列。假设所有元素个数为N，要求算法的时间复杂度为O(N)。

7-1 顺序表的建立及遍历分数 15全屏浏览切换布局作者 陈晓梅单位 广东外语外贸大学读入n值及n个整数，建立顺序表并遍历输出。

7-6 单词逆置分数 10全屏浏览切换布局作者 usx程序设计类课程组单位 绍兴文理学院输入一个可能包含若干（至少1个）单词的句子（可以假设每个单词之间有且仅有一个空格，标点符号视为单词的组成部分），输出每个单词逆置后的英文句子（参看样例输出）。

7-8 一元多项式的加法分数 20全屏浏览切换布局作者 张志梅单位 青岛大学设计程序求两个一元多项式的和。

7-2 递增有序顺序表的插入分数 10全屏浏览切换布局作者 张珊靓单位 安阳工学院实验目的：1、掌握线性表的基本知识 2、深入理解、掌握并灵活运用线性表。3、熟练掌握线性表的存储结构及主要运算的实现已知顺序表L递增有序，将X插入到线性表的适当位置上，保证线性表有序。。

整套代码 =读数据 → 洗数据 → 算相关性 → 可视化corrwith()算单个特征相关性，corr()算全量矩阵皮尔逊相关系数，判断两个变量的线性关系业务价值：直接告诉老板哪个广告渠道最值得投钱。

人工构造带冗余、噪声的3D数据 → 用PCA降为2D → 验证“降维不丢核心信息”，掌握PCA基础用法和核心逻辑。方差与信息量：方差越大 → 数据波动越大 → 信息量越多（核心：pc1>pc2>噪声）。关键输入输出：3D特征矩阵（样本数×3）→ PCA降维 → 2D特征矩阵（样本数×2）。核心：左图3D散点（呈长条状），右图2D散点（形状与3D一致），证明降维未丢关键信息。PCA本质：找数据“方差

最朴素的损失函数，仅判断预测值与真实值是否一致，一致则损失为0，不一致则损失为1。又称均方误差（MSE），计算预测值与真实值差值的平方，放大较大偏差的损失。又称平均绝对误差（MAE），计算预测值与真实值差值的绝对值，对偏差的惩罚是线性的，不放大异常值。基于概率似然思想，衡量模型预测概率与真实标签的匹配度，核心用于分类任务（二分类、多分类），常被称为交叉熵损失（二分类场景下，对数似然损失与交叉熵损失

对比维度L1 正则化（Lasso）L2 正则化（Ridge）ElasticNet惩罚项形式参数绝对值之和参数平方和L1+L2 混合稀疏性产生稀疏解（部分参数为 0）无稀疏解（参数仅缩小）部分稀疏（可控制）特征选择自动筛选重要特征不筛选，保留所有特征可实现特征选择稳定性较差（对特征相关性敏感）强（对多重共线性鲁棒）强（解决 L1 的不稳定问题）适用场景高维数据、需强解释性低维数据、多重共线性高维 +

正则化：给模型权重加惩罚，限制复杂度，专治过拟合L1：绝对值惩罚 → 权重可归零 →自动删特征、做筛选L2：平方惩罚 → 权重只缩小不归零 →平滑稳定、通用防过拟合日常干活优先用 L2；特征太多想自动降维再用 L1；不稳就用 L1+L2。