问题分类算法

① 问题的算法

算法是这样的， 路程S=时间T*速度v
这里时间 是总的，即1.5小时， 既然时间是往返的，那路程也要往返加起来是11.25 * 2
要求出速度v，必须知道总路程S
所以 由 S=TV得出：
V = S/T
V = (11.25 * 2)/1.5

V=15千米/小时
所以：李航同学的速度是15千米每小时。

② python分类算法问题

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

结果：

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

结果返回一个包含3个一维列表的二维列表， 第一个一维列表为包含‘a’的一类，第二个一维列表为包含‘c’的一类，第三个为包含‘t'的一类

③ 按照计算理论对算法问题的分类,停机问题属于什么

停机问题(halting problem)是逻辑数学中可计算性理论的一个问题。

④ 文本分类算法的问题

特征值比如TF IDF肯定是平滑的结果，所以这样的权重肯定存在吧。。

所谓就是说：假设所有特征词都出现过一次，这样就不存在权值不存在的情况了。。。

⑤ 算法分类

这种算法就是D枚举算法呀。

⑥ 如何为分类问题选择合适的机器学习算法

如何为分类问题选择合适的机器学习算法
若要达到一定的准确率，需要尝试各种各样的分类器，并通过交叉验证选择最好的一个。但是，如果你只是为你的问题寻找一个“足够好”的算法或者一个起点，以下准则有利于选择合适的分类器：
你的训练集有多大？
如果训练集很小，那么高偏差/低方差分类器（如朴素贝叶斯分类器）要优于低偏差/高方差分类器（如k近邻分类器），因为后者容易过拟合。
然而，随着训练集的增大，低偏差/高方差分类器将开始胜出（它们具有较低的渐近误差），因为高偏差分类器不足以提供准确的模型。这可以认为这是生成模型与判别模型的区别。
一些特定算法比较
朴素贝叶斯
优点：简单；如果朴素贝叶斯（NB）条件独立性假设成立，相比于逻辑回归这类的判别模型，朴素贝叶斯分类器将收敛得更快，所以你只需要较小的训练集。而且，即使NB假设不成立，朴素贝叶斯分类器在实践方面仍然表现很好。如果想得到简单快捷的执行效果，这将是个好的选择。
缺点：不能学习特征之间的相互作用（比如，它不能学习出：虽然你喜欢布拉德·皮特和汤姆·克鲁斯的电影，但却不喜欢他们一起合作的电影）。
逻辑回归
优点：有许多正则化模型的方法，不需要像在朴素贝叶斯分类器中那样担心特征间的相互关联性。与决策树和支持向量机不同，有一个很好的概率解释，并能容易地更新模型来吸收新数据（使用一个在线梯度下降方法）。如果你想要一个概率框架（比如，简单地调整分类阈值，说出什么时候是不太确定的，或者获得置信区间），或你期望未来接收更多想要快速并入模型中的训练数据，就选择逻辑回归。
决策树
优点：易于说明和解释，很容易地处理特征间的相互作用，并且是非参数化的，不用担心异常值或者数据是否线性可分（比如，决策树可以很容易地某特征x的低端是类A，中间是类B，然后高端又是类A的情况）。
缺点：1）不支持在线学习，当有新样本时需要重建决策树。2）容易过拟合，但这也正是诸如随机森林（或提高树）之类的集成方法的切入点。另外，随机森林适用于很多分类问题（通常略优于支持向量机）---快速并且可扩展，不像支持向量机那样调一堆参数。随机森林正渐渐开始偷走它的“王冠”。
SVMs
优点：高准确率，为过拟合提供了好的理论保证；即使数据在基础特征空间线性不可分，只要选定一个恰当的核函数，仍然能够取得很好的分类效果。它们在超高维空间是常态的文本分类问题中尤其受欢迎。然而，它们内存消耗大，难于解释，运行和调参 复杂，
尽管如此，更好的数据往往胜过更好的算法，设计好的特征非常重要。如果有一个庞大数据集，这时使用哪种分类算法在分类性能方面可能并不要紧；因此，要基于速度和易用性选择算法。

⑦ 什么是问题的算法内容

我给你打个比方。
比如要从数据库中查找一个名字叫 王一的家伙。
数据量有一亿条。正常情况下。我们select * form persion p where p.name = '王一'
正常时这样查找的，你想过没。 一亿条。。。 需要大约10-20秒左右才能查出来；
速度很慢。，如果你要快点查找。 比如是一个array; 一亿条的数据在array中。我们可以用二分法来实现查找，也可以用链表的概念来实现查找。 当然了，这就关系到效率的问题。
总的来说。算法的存在是为了跟快的有效率的解决问题。
如果觉得有用，请采纳吧。打字不易。想完之后再答的答案再不易。。

⑧ 数据挖掘 问题的分类 用什么分类算法

不很明白你的需求，你需要精炼下自己的语言，做到准确无误的表达。
对什么样的数据挖掘？文本，数字？
达到什么目的？分类，预测，还是？
数据量是什么数量级的？
通过什么方式实现？自动还是人工？
等等

⑨ java 分类器算法问题！！急。。。。

判断一个次的极性是要根据它的属性来判断的，所以你要先确定用那些属性来表示一个词，一条记录包括对词描述的属性和一般属性（词的长度，包括的音标，后缀，词根等）和分类属性（正面和负面的），这样才能形成一个数据集，提供给算法进行分类，所以第一步是形成数据集。
然后可以有特征选择之类的预处理步骤，再根据分类算法进行分类（分类的算法网络上都有代码,自己找下），用算法的模型对要分类的词进行分类，最后做个界面什么的，好看点。
算法的话很多啊，象决策树，kNN之类的就比较简单，你是做本科毕业设计吗？如果是的话，反正要求不高，算法不重要，找现成的代码就行。
可以找些资料看，知道分类是怎么回事就好。svm要证明的话需要数学功底，只是要用的话，呵呵，就下现成代码好了。
不知道你是不是要问这个，希望能帮到你。