許綸煌賽菱控制科技2018-11-02 19:17:11這個問題本身就有問題，好比有人問：從廣州乘飛機去北京需要買哪趟高鐵火車票？這樣的問題沒法回答。
破力2019-04-10 22:02:05演算法這個詞比較籠統，在程式設計中，有邏輯上的演算法，也有資料上的演算法
比如簡單的邏輯演算法：
func（）{
a 走100步
b走10步
完成
}
這就可以是一個演算法。
資料上的演算法：
func（a， b） {
a + b
}
一個加法運算的演算法
還有那些深度學習，神經網路都可以稱為演算法
加米穀大資料2018-11-05 15:28:14Apriori演算法：https：//www。toutiao。com/i6602129057633010184/
AdaBoost演算法：https：//www。toutiao。com/i6602034223387771400/
C4。5演算法：https：//www。toutiao。com/i6602461790884332045/
CART演算法：https：//www。toutiao。com/i6602016174802731533/
K-Means演算法：https：//www。toutiao。com/i6602460997519147524/
EM演算法：https：//www。toutiao。com/i6602049078824010247/
SVM演算法：https：//www。toutiao。com/i6602460036063035911/
PageRank演算法：https：//www。toutiao。com/i6602036596369785347/
K-鄰近演算法/kNN：https：//www。toutiao。com/i6602033239240475140/
樸素貝葉斯演算法：https：//www。toutiao。com/i6602032352438780419/
程式設計師愛學習2019-04-13 09:50:15演算法思想有很多，業界公認的常用演算法思想有8種，分別是列舉、遞推、遞迴、分治、貪心、試探法、動態迭代和模擬。當然8種只是一個大概的劃分，是一個“仁者見仁、智者見智”的問題。
其實這些演算法都是用來處理資料的，這些被處理的資料必須按照一定的規則進行組織。當這些資料之間存在一種或多種特定關係時，通常將這些關係稱為結構。在C語言資料之間一般存在如下3種基本結構。
① 線性結構：資料元素間是一對一關係。
② 樹形結構：資料元素間是一對多關係。
③ 網狀結構：資料元素間是多對多關係。
更多：https：//www。toutiao。com/i6679169331651150350/
臥蠶uncle462018-11-02 19:39:57計算機的程式語言只不過是演算法的一種實現形式罷了。同一個需求可以用很多不同的演算法去實現，同一個演算法又可以用多種程式語言去編寫。但不可否認的話，幾乎要用到程式設計的地方就離不開演算法。
DKink2018-11-03 12:37:37好好學習數學，然後學習你要研究的方向的演算法。
計算機圖形學
有限元
神經網路
分散式
有成熟的演算法也有在發展中的演算法。
沒有具體的答案。
鹽梟V遊釣中國2018-11-03 15:45:28需要什麼演算法你就用到什麼演算法。
yui的由依2018-11-03 00:53:51建議lz具體學習一門語言瞭解一下演算法是幹啥的在提問
哎呦6582019-01-28 11:39:17演算法原理整合學習（ensemble leaning）透過構建並結合多個學習器來完成學習任務，透過將多個學習器結合，常常可以獲得比單一學習器顯著優越的效果和泛化能力。整合學習中的基學習器可以是同質的，也可以是異質的。根據個體學習器的生成方式，目前的整合學習方法大致可分為三大類：一類是Bagging，個體學習器之間不存在強依賴關係，可以同時並行化訓練和生成，最終結果通常透過投票機制產出，隨機森林是這一型別的代表；另一類是Boosting，個體學習器之間存在強依賴關係，後一學習器依賴前一學習器的結果，，因此必須以序列化形式序列生成，我們下節會講到的Adaboost和GBDT是這一型別的代表；其實還有第三類，叫Stacking，即將初級學習器的輸出次級學習器的輸入特徵，深層神經網路甚至可以理解為Stacking整合學習的變種。
隨機森林（Random Forest）是以決策樹為基學習器構建的Bagging整合學習演算法，其實現簡單、計算開銷小、並且在很多現實任務中表現出搶眼的效果。其主要透過樣本擾動和屬性擾動使得整合學習的泛化性顯著提高。樣本擾動是指透過對初始訓練集取樣構建每一棵決策樹；屬性擾動是指對基決策樹的每個節點，分裂時從該節點的屬性集合中隨機選擇k個屬性（k一般去log（d，2），d為屬性數量）。
模型訓練程式碼地址：https：//github。com/qianshuang/ml-exp
def train（）：
print（“start training。。。”）
# 處理訓練資料
train_feature， train_target = process_file（train_dir， word_to_id， cat_to_id）
# 模型訓練
model。fit（train_feature， train_target）
def test（）：
print（“start testing。。。”）
# 處理測試資料
test_feature， test_target = process_file（test_dir， word_to_id， cat_to_id）
# test_predict = model。predict（test_feature） # 返回預測類別
test_predict_proba = model。predict_proba（test_feature） # 返回屬於各個類別的機率
test_predict = np。argmax（test_predict_proba， 1） # 返回機率最大的類別標籤
# accuracy
true_false = （test_predict == test_target）
accuracy = np。count_nonzero（true_false） / float（len（test_target））
print（）
print（“accuracy is %f” % accuracy）
# precision recall f1-score
print（）
print（metrics。classification_report（test_target， test_predict， target_names=categories））
# 混淆矩陣
print（“Confusion Matrix。。。”）
print（metrics。confusion_matrix（test_target， test_predict））
if not os。path。exists（vocab_dir）：
# 構建詞典表
build_vocab（train_dir， vocab_dir）
categories， cat_to_id = read_category（）
words， word_to_id = read_vocab（vocab_dir）
# kNN
# model = neighbors。KNeighborsClassifier（）
# decision tree
# model = tree。DecisionTreeClassifier（）
# random forest
model = ensemble。RandomForestClassifier（n_estimators=10） # n_estimators為基決策樹的數量，一般越大效果越好直至趨於收斂
train（）
test（）執行結果：
ead_category。。。
read_vocab。。。
start training。。。
start testing。。。
accuracy is 0。875000
precision recall f1-score support
娛樂 0。83 0。91 0。87 89
房產 0。78 0。83 0。80 104
教育 0。81 0。81 0。81 104
家居 0。75 0。71 0。73 89
遊戲 0。93 0。95 0。94 104
時政 0。78 0。79 0。78 94
時尚 0。94 0。89 0。92 91
體育 0。98 0。97 0。97 116
財經 0。95 0。91 0。93 115
科技 0。99 0。96 0。97 94
avg / total 0。88 0。88 0。88 1000
Confusion Matrix。。。
——————————-
瞭解更多幹貨文章可以關注小程式八斗問答
