問題分類演算法

① 問題的演算法

演算法是這樣的， 路程S=時間T*速度v
這里時間 是總的，即1.5小時， 既然時間是往返的，那路程也要往返加起來是11.25 * 2
要求出速度v，必須知道總路程S
所以 由 S=TV得出：
V = S/T
V = (11.25 * 2)/1.5

V=15千米/小時
所以：李航同學的速度是15千米每小時。

② python分類演算法問題

#coding=utf-8
#usingpython27
l1=['a','c','t']
l2=['3412a34214','fgfghc','34242c34534','dsdfgdfcdfgdcccccg']
print[filter(lambdax:iinx,l2)foriinl1]

結果：

[['3412a34214'],['fgfghc','34242c34534','dsdfgdfcdfgdcccccg'],[]]

結果返回一個包含3個一維列表的二維列表， 第一個一維列表為包含『a』的一類，第二個一維列表為包含『c』的一類，第三個為包含『t'的一類

③ 按照計算理論對演算法問題的分類,停機問題屬於什麼

停機問題(halting problem)是邏輯數學中可計算性理論的一個問題。

④ 文本分類演算法的問題

特徵值比如TF IDF肯定是平滑的結果，所以這樣的權重肯定存在吧。。

所謂就是說：假設所有特徵詞都出現過一次，這樣就不存在權值不存在的情況了。。。

⑤ 演算法分類

這種演算法就是D枚舉演算法呀。

⑥ 如何為分類問題選擇合適的機器學習演算法

如何為分類問題選擇合適的機器學習演算法
若要達到一定的准確率，需要嘗試各種各樣的分類器，並通過交叉驗證選擇最好的一個。但是，如果你只是為你的問題尋找一個「足夠好」的演算法或者一個起點，以下准則有利於選擇合適的分類器：
你的訓練集有多大？
如果訓練集很小，那麼高偏差/低方差分類器（如樸素貝葉斯分類器）要優於低偏差/高方差分類器（如k近鄰分類器），因為後者容易過擬合。
然而，隨著訓練集的增大，低偏差/高方差分類器將開始勝出（它們具有較低的漸近誤差），因為高偏差分類器不足以提供准確的模型。這可以認為這是生成模型與判別模型的區別。
一些特定演算法比較
樸素貝葉斯
優點：簡單；如果樸素貝葉斯（NB）條件獨立性假設成立，相比於邏輯回歸這類的判別模型，樸素貝葉斯分類器將收斂得更快，所以你只需要較小的訓練集。而且，即使NB假設不成立，樸素貝葉斯分類器在實踐方面仍然表現很好。如果想得到簡單快捷的執行效果，這將是個好的選擇。
缺點：不能學習特徵之間的相互作用（比如，它不能學習出：雖然你喜歡布拉德·皮特和湯姆·克魯斯的電影，但卻不喜歡他們一起合作的電影）。
邏輯回歸
優點：有許多正則化模型的方法，不需要像在樸素貝葉斯分類器中那樣擔心特徵間的相互關聯性。與決策樹和支持向量機不同，有一個很好的概率解釋，並能容易地更新模型來吸收新數據（使用一個在線梯度下降方法）。如果你想要一個概率框架（比如，簡單地調整分類閾值，說出什麼時候是不太確定的，或者獲得置信區間），或你期望未來接收更多想要快速並入模型中的訓練數據，就選擇邏輯回歸。
決策樹
優點：易於說明和解釋，很容易地處理特徵間的相互作用，並且是非參數化的，不用擔心異常值或者數據是否線性可分（比如，決策樹可以很容易地某特徵x的低端是類A，中間是類B，然後高端又是類A的情況）。
缺點：1）不支持在線學習，當有新樣本時需要重建決策樹。2）容易過擬合，但這也正是諸如隨機森林（或提高樹）之類的集成方法的切入點。另外，隨機森林適用於很多分類問題（通常略優於支持向量機）---快速並且可擴展，不像支持向量機那樣調一堆參數。隨機森林正漸漸開始偷走它的「王冠」。
SVMs
優點：高准確率，為過擬合提供了好的理論保證；即使數據在基礎特徵空間線性不可分，只要選定一個恰當的核函數，仍然能夠取得很好的分類效果。它們在超高維空間是常態的文本分類問題中尤其受歡迎。然而，它們內存消耗大，難於解釋，運行和調參 復雜，
盡管如此，更好的數據往往勝過更好的演算法，設計好的特徵非常重要。如果有一個龐大數據集，這時使用哪種分類演算法在分類性能方面可能並不要緊；因此，要基於速度和易用性選擇演算法。

⑦ 什麼是問題的演算法內容

我給你打個比方。
比如要從資料庫中查找一個名字叫 王一的傢伙。
數據量有一億條。正常情況下。我們select * form persion p where p.name = '王一'
正常時這樣查找的，你想過沒。 一億條。。。 需要大約10-20秒左右才能查出來；
速度很慢。，如果你要快點查找。 比如是一個array; 一億條的數據在array中。我們可以用二分法來實現查找，也可以用鏈表的概念來實現查找。 當然了，這就關繫到效率的問題。
總的來說。演算法的存在是為了跟快的有效率的解決問題。
如果覺得有用，請採納吧。打字不易。想完之後再答的答案再不易。。

⑧ 數據挖掘 問題的分類 用什麼分類演算法

不很明白你的需求，你需要精煉下自己的語言，做到准確無誤的表達。
對什麼樣的數據挖掘？文本，數字？
達到什麼目的？分類，預測，還是？
數據量是什麼數量級的？
通過什麼方式實現？自動還是人工？
等等

⑨ java 分類器演算法問題！！急。。。。

判斷一個次的極性是要根據它的屬性來判斷的，所以你要先確定用那些屬性來表示一個詞，一條記錄包括對詞描述的屬性和一般屬性（詞的長度，包括的音標，後綴，詞根等）和分類屬性（正面和負面的），這樣才能形成一個數據集，提供給演算法進行分類，所以第一步是形成數據集。
然後可以有特徵選擇之類的預處理步驟，再根據分類演算法進行分類（分類的演算法網路上都有代碼,自己找下），用演算法的模型對要分類的詞進行分類，最後做個界面什麼的，好看點。
演算法的話很多啊，象決策樹，kNN之類的就比較簡單，你是做本科畢業設計嗎？如果是的話，反正要求不高，演算法不重要，找現成的代碼就行。
可以找些資料看，知道分類是怎麼回事就好。svm要證明的話需要數學功底，只是要用的話，呵呵，就下現成代碼好了。
不知道你是不是要問這個，希望能幫到你。