参考文章 并查集(Union-Find)算法介绍
并查集(Union-Find) 应用举例 — 基础篇
C语言并查集代码
随机森林是集成学习中可以和梯度提升树GBDT分庭抗礼的算法，尤其是它可以很方便的并行训练，在如今大数据大样本的的时代很有诱惑力。 1. bagging的原理 在集成学习原理小结中，我们给Bagging画了下面一张原理图。 从上图可以看出，Bagging的弱学习器之间的确没有boosting那样的联系。它的特点在“随机采样”。那么什么是随机采样？ 随机采样(bootsrap)就是从我们的训练集里面采
互联网是为了通信，通信又依赖于协议。我们交谈时，要符合语法和用语规范。机器之间的通话也要符合协议。否则，鸡同鸭讲，无法相互理解。“协议森林”是我的一系列关于网络协议的文章，总结了多个网络协议。 网络协议属于技术，但深受政策与历史的影响。Ethernet, IP, UDP, TCP, HTTP, DNS... 这些协议形成茂密的树林，盘根错节。协议之间有时合作，有时竞争，有时弱肉强食的取代。了解网络
《森林放置》是一款模拟经营类的放置游戏，游戏体系还是很完善的，有种树、交易，任务，雇佣工人、宠物等内容。
假设你去随机问很多人一个很复杂的问题，然后把它们的答案合并起来。通常情况下你会发现这个合并的答案比一个专家的答案要好。这就叫做群体智慧。同样的，如果你合并了一组分类器的预测（像分类或者回归），你也会得到一个比单一分类器更好的预测结果。这一组分类器就叫做集成；因此，这个技术就叫做集成学习，一个集成学习算法就叫做集成方法。 例如，你可以训练一组决策树分类器，每一个都在一个随机的训练集上。为了去做预测，
集成方法: ensemble method（元算法：meta algorithm） 概述 概念：是对其他算法进行组合的一种形式。 通俗来说： 当做重要决定时，大家可能都会考虑吸取多个专家而不只是一个人的意见。 机器学习处理问题时又何尝不是如此？ 这就是集成方法背后的思想。 集成方法： 投票选举(bagging: 自举汇聚法 bootstrap aggregating): 是基于数据随机重抽样分类器
IPv4由于最初的设计原因，长度只有32位，所以只提供了大约40亿个地址。这造成了IPv4地址的耗尽危机。随后，IPv6被设计出来，并可以提供足够多的IP地址。但是IPv4与IPv6并不兼容，IPv4向IPv6的迁移并不容易。一些技术，比如说这里要说的CIDR和NAT，相继推广。这些技术可以缓解IPv4的稀缺状态，成就了IPv4一时的逆袭。 CIDR CIDR(Classless Inter Do
在这里，我们将探索一类基于决策树的算法。 最基本决策树非常直观。 它们编码一系列if和else选项，类似于一个人如何做出决定。 但是，从数据中完全可以了解要问的问题以及如何处理每个答案。 例如，如果你想创建一个识别自然界中发现的动物的指南，你可能会问以下一系列问题： 动物是大于还是小于一米？ 较大：动物有角吗？ 是的：角长是否超过十厘米？ 不是：动物有项圈吗？ 较小：动物有两条腿还是四条腿？ 二：
