邻接表表示法(链式)顶点： 按编号顺序将顶点数据存储在一维数组中。关联同一顶点的边： 用线性链表存储。如果有边\弧的信息，还可以在表结点中增加一项，无向图的邻接表例子：特点：邻接表不唯一若无向图中有n个顶点、e条边，则其邻接表需要n个头结点和2e个表结点。适宜存储稀疏图。无向图中顶点viv_ivi​的度为第i个单链表中的结点数。有向图的邻接表...

栈栈(stack) 是一个特殊的线性表，是限定在一端(通常是表尾)进行插入和删除操作的线性表。又被称作后进先出(Last In First Out)的线性表，简称LIFO结构。栈的相关概念栈是仅在表尾进行插入、删除操作的线性表。栈顶Top:表尾的一端，即ana_nan​端。栈底Base:表头的一端，即a1a_1a1​端。入栈:插入元素到栈顶的操作。出栈:从栈顶...

二叉树的定义二叉树是n(n≥0n\geq 0n≥0)个结点的有限集，它或者是空集(n=0)，或者是由一个根结点及两棵不相交的分别称作这个根的左子树和右子树的二叉树组成。特点：每个结点最多有俩孩子，即二叉树中不存在度大于2的结点。子树有左右之分，其次序不能颠倒。二叉树可以是空集合，根可以有空的左子树或空的右子树。二叉树不是树的特殊情况，它们是两个概念二叉树结点的子树一定要区分左子树...

在学习Blending和Bagging之前，先来看一个衡量泛化误差的方法——偏差-方差分解(bias-variance decomposition)。一个机器学习模型的泛化误差主要由3个部分组成，即：偏差(bias)，方差(variance)和噪声(nosie)，泛化误差=bias + variance + noise若有一个数据集DDD，DDD中有一堆测试样本xxx，其对应的标签集为y...

岭回归(ridge regression)在前面的一篇博客(机器学习——线性回归(Linear Regression))中提到，线性回归的解析解如下，w=(XTX)−1XTyw = {({X^T}X)^{ - 1}}{X^T}yw=(XTX)−1XTy其中，X的维数为N×(d+1)N \times (d + 1)N×(d+1)。因为大多数情况下样本量(N)是远大于特征数(d)的，所以，XTX...

Adaptive Boost(AdaBoost)是一种融合模型，而与Blending不同的是，Blending是在得到gtg_tgt​之后再进行融合，而AdaBoost是一边学习gtg_tgt​，一边融合。那么在介绍AdaBoost之前，首先要看的一个算法模型——前向分步算法。那么，什么是前向分步算法？首先，考虑如下形式的加法模型，f(x)=∑m=1Mβmb(x;γm){\rm{f}}(x...

岭回归(ridge regression)在前面的一篇博客(机器学习——线性回归(Linear Regression))中提到，线性回归的解析解如下，w=(XTX)−1XTyw = {({X^T}X)^{ - 1}}{X^T}yw=(XTX)−1XTy其中，X的维数为N×(d+1)N \times (d + 1)N×(d+1)。因为大多数情况下样本量(N)是远大于特征数(d)的，所以，XTX...

1.单链表(带头结点)的初始化即，构造一个空表，如下图，算法步骤：1.生成新结点作头结点，用头指针L指向头结点。2.将头指针的指针域置空。算法描述：Status InitList_L(LinkList& L){L = new LNode;//在C语言里，为 L=(LinkList)malloc(sizeof(LNode));L->next...

一、EKF原理1.卡尔曼滤波原理(KF)卡尔曼滤波是贝叶斯滤波的具体化，需要系统满足两个假设：线性化假设：系统为线性系统，包含两个层面，即系统的状态转移函数为线性函数，系统的观测模型也为线性函数 。状态转移函数：系统从t-1时刻到t时刻不加观测量情况下状态量的变化，可以表示如下，xt=Atxt−1+Btut+εt{x_t} = {A_t}{x_{t - 1}} + {B_t}{u_t...

一些基础概念[1]1.最小二乘法定义找到一个x∗{x^*}x∗，使得下面的式子到达局部最小值，F(x)=12∑i=1m(fi(x))2F(x) = \frac{1}{2}\sum\limits_{i = 1}^m {{{({f_i}(x))}^2}}F(x)=21​i=1∑m​(fi​(x))2这里的fi(x){{f_i}(x)}fi​(x)表示变量为xxx的函数，其中自变量xxx维度为nn...