目录 1.SVM的问题提出2.SVM推导与证明3.线性SVM求解优化方法 1.SVM的问题提出 终于讲到大名鼎鼎的支撑向量机（support vector machine）SVM。初见此名，相信大家跟我一样都是满脸的黑人问号，什么是支撑向量，什么又是向量机？切莫着急，听我一一道来。 之前我们在讲线性回归
前言 补一波高数吧 参考张宇高等数学18讲 中值定理们 拉格朗日中值定理 设 f(x) 满足 f ( x ) =
\(\mathcal{Description}\) Link. 一个游戏包含若干次卡牌抽取，每次以 \(p_l\) 的概率得到 \(+1\)，\(p_d\) 的概率得到 \(-1\)，否则得到 \(0\)，操作后以 \(p\) 的概率结束游戏，求每次抽取后，满足 \(+1\) 数量大于 \(-1\) 数量的抽取轮数的期望值。不取模。 \(0<p\le1\)，\(0\l
LUOGU P4578:\ 做法 :差分约束 设第$r$行的操作使这一行的数增加了 $x_{r}$ 第$c$列的操作使这一列的数减少了 $y_{c}$ 那么显然对于第 $r$ 行第 $c$ 列绿宝石的密码 $p$ 则 $x_{r} - y_{c} = p$ $ \left{ \begin{aligned} x_{r}-y_{r} \leq p \ y_{c}-x_{r} \leq -p\ \end{aligne
导读 在机器学习中，我们前期经过数据采集、数据清洗，中期进行特征分析、特征选择，后期对处理好的数据集分割，将数据集划分为训练集、验证集合、测试集，最后基于划分好的数据集进行训练调优，并选择性能最好的模型。那么我们是如何评估我们的模型性能好坏的呢？这就不得不说一下常用的
1. 线性SVM模型 线性支持向量机的思想非常朴素：用一个超平面将两类数据分割开来。 如上图，这样的超平面有无数个，选择哪个超平面更好呢？从上图可以看出，平面①会将红色的两个数据分错，平面②则不会，这是因为平面②将两边的间隔分得更大。所以，我们应该选择将两边间隔分割得最大的超
AMM Problems 某个月黑风高的下午，Yoshinow2001打开了一个积分题（见Problem12221），他发现他不会做，但是有论文，花了一个晚上终于搞懂了整个过程，写完这题的他不禁感叹数学的奇妙(//̀Д/́/)，里面许多方法其实并不陌生，以及想稍微整理一下整个题，于是就有了这篇blog。 如果不咕咕咕的话，之后
一、拉格朗日对偶函数 二、拉格朗日对偶问题 三、强弱对偶的几何解释 四、鞍点解释 4.1 鞍点的基础定义 4.2 极大极小不等式和鞍点性质 五、最优性条件与 KKT 条件 5.1 KKT 条件 5.2 KKT 条件与凸问题 5.3 互补松弛性 六、扰动及灵敏度分析 6.1 扰动问题 6.2 灵敏度分析 七、Reform
对着习题瞎记的，图片链接出了点问题，太麻烦了，索性全删了，所以很多地方缺了东西，姑且看看，考完试有空再补。 第 1 章 绪论 雷达回波中的可用信息 R : 斜 距
04-拉格朗日对偶问题和KKT条件 目录一、拉格朗日对偶函数二、拉格朗日对偶问题三、强弱对偶的几何解释四、鞍点解释4.1 鞍点的基础定义4.2 极大极小不等式和鞍点性质五、最优性条件与 KKT 条件5.1 KKT 条件5.2 KKT 条件与凸问题六、扰动及灵敏度分析6.1 扰动问题6.2 灵敏度分析七
Markdown学习中文简洁版 标题 说明 可以用“#”然后点击空格表示一级标题，以此类推，“##”“表示二级标题，最对有六级标题 Headers use 1-6 hash (#) characters at the start of the line, corresponding to header levels 1-6. For example: # This is an H1## This is an
Time Limit: 2000/1000 MS (Java/Others) Memory Limit: 65536/32768 K (Java/Others) Total Submission(s): 20760 Accepted Submission(s): 6325 Problem Description A histogram is a polygon composed of a sequence of rectangles aligned at a common base
线性等式约束问题的投影方法 1 回顾最速下降法 无约束最优化问题: ( P )
参考资料 WC2019讲义 生成函数，多项式算法与图的计数.pdf OI-Wiki cp-algorithms https://zhuanlan.zhihu.com/p/52718645 等等…… 指数型生成函数 数列\(\{a_i\}\)的指数型生成函数（EGF）是\(A(x)=\sum_{i=0}^\infty\frac{a_i}{i!}x_i\)。 若\(C=A*B\)，则 \[\begin{aligned} C &= (
链接： 洛谷 博客园 题目大意： 求出 \(\lfloor n^a+n^b\rfloor\) 相等时，\(n\) 的上下界的差值。 正文： 如果不取整，函数 \(f(x)=x^a+x^b\) 的图象是这样的： 我们要找的是最大的 \(x_1-x_2\)。 现在我们知道 \(f(x_1)-f(x_2)\rightarrow 1\)，即它趋向于 \(1\)。我们知道斜率的公式是 \(\f
一个并不知道现在学了有什么用的算法，因为我不会计算几何，甚至是对计算几何一窍不通。 自适应辛普森算法（ASR）可以用来求 \(\int_a^bf(x)\,\mathrm dx\)，即求一个函数 \(f(x)\) 的定积分，其中 \(f(x)\) 是一个不太好直接积的函数。其大致思路大概就是不断用一个二次函数对原函数进行拟合
一、题目链接： Neko and sequence 二、题目大意 给一个长度为 n n n 且字符集为 { ′
\(\text{Problem}:\)CF1278F Cards 加强版 \(\text{Solution}:\) 设 \(p=\frac{1}{m}\)，要求的是： \[\sum\limits_{i=0}^{n}\binom{n}{i}p^{i}(1-p)^{n-i}i^{k} \]将 \(i^{k}\) 利用第二类斯特林数展开，有： \[\begin{aligned} ans&=\sum\limits_{i=0}^{n}\binom{n}{i}p^{i
概率生成函数 定义 若 \(X\) 为仅取非负整数值的随机变量，那么 \(X\) 的概率生成函数（probability generating function,PGF） 为 \[G_{X}(z)=\sum_{k\ge 0}\operatorname{Pr}(X=k)z^k \]显然 \(G_X(z)\) 的各项系数非负，且其和为 \(1\)。这个条件可以写成 \[G_X(1)=1 \]同样，反过来，任
定义 若 \(p\) 为质数，且\(a\ge b\ge1\)，则有： \[C_{a}^{b}\equiv C_{a/p}^{b/p}\cdot C_{a (mod\,p)}^{b(mod\,p)} \]拆分a与b 按照 \(p\) 进制拆分 \(a\) 与 \(b\) ,设 \(a\) 与 \(b\) 是 \(k\) 位，不足用 \(0\) 补足。 \[\left\{\begin{aligned} a&=a_0p^{0}+a_1p^{1}
How to calculate mathematics π π π(圆周率的计算方法) From 翔文公益数学 © kumath@outlook.com 泰勒级数理论（Taylor’s theorem and Taylor series） 多项式逼近任意函数 多项式 (po
误差计算目录OutlineMSEEntropyCross EntropyBinary ClassificationSingle outputClassificationWhy not MSE？logits-->CrossEntropyOutlineMSECross Entropy LossHinge LossMSE\(loss = \frac{1}{N}\sum(y-out)^2\)\(L_{2-norm} = \sqrt{\sum(y-out)}\)import tensorflo
定义 序列 \(A\) 的生成函数（又称母函数，generating function），是一种形式幂级数，其每一项的系数都可以提供关于 \(A\) 的信息。 形式幂是指，无论函数的自变量的取值是多少，都不影响原序列的信息。 常用的有普通生成函数和指数生成函数。 生成函数经常被用于处理组合/排列问题。 普通生成
高斯判别分析介绍 高斯判别分析 GDAGDA模型模型求解具体计算 高斯判别分析 GDA GDA：Guassian Discrimant Analysis 高斯判别分析属于两分类、软分类、概率生成模型 GDA模型 生成模型中，我们需要对联合概率分布进行建模，然后采用 MAP 来获得参数的最佳值。两分类的情况，我们
瞎jb推一波式子，推出 \[ans=n^{x+y}\sum_{j=0}^{y+1}a_j\sum_{i|n}\sum_{d_1|n/i}i^{j-x}d_1^{y-x}\mu(d_1) \]其中 \(a_j\) 是自然数幂和的多项式系数。 然后后面显然是个积性函数，随便求求就好了。 推导 \[\begin{aligned} \frac{ans}{n^y}&=\sum_{d\mid n}d^{x-y}\sum_{i=1}^{n
