從b樹、b+樹、b*樹談到r 樹
r樹的理論比較容易看明白，但是博主並沒有給出幾個核心演算法實現，譬如：節點**，節點**包含兩個情況的**：葉子節點關鍵字大於m，需要將座標點按照幾何**；
非葉子節點子樹數量大於m，需要將子樹代表的矩形按照幾何進行**；這兩個演算法是核心演算法，我搜尋了部分資料，並且貼出來（請注意：這些演算法不一定是最優解，效率也可能並非最高，有可能的話，各位可以查閱相關**得出合適的演算法）。
情況一【葉子節點的座標點**成為兩個矩形】
情況二【n個矩形**成兩個矩形】
具體操作例子，好吧，這種情況我來代勞。
現在假設我們有一顆r樹，r樹的階m=3，則最多有葉子節點3個關鍵字，而非葉子節點最多有3個子樹，最少有2個關鍵字或2個子樹，當然，跟節點至少有1個關鍵字（假如根節點同時是葉子節點的話）或者2個子樹（假如根節點並非葉子節點）。這棵r樹是二維的，我們可以比照地圖的座標進行相關操作。
下面我畫出一些插入操作的圖形，讓自己更加明了：
插入關鍵字（點的為座標【1,2】）
插入關鍵字（點的為座標【1,2】）
插入關鍵字（點的為座標【1,2】）
插入關鍵字（點的為座標【1,2】）
插入關鍵字（點的為座標【1,2】）
插入關鍵字（點的為座標【1,2】）
插入關鍵字（點的為座標【1,2】）
R樹演算法C 實現
不足結語 參考是最重要的。首先應該看的就是r樹的 a.guttman.r trees a dynamic index structure for spatial searching.in sigmod conference,1984.中介紹的節點組織結構 不同的 演算法 效率分析，是很多部落格上被省...
分類演算法 決策樹演算法及其R實現
以鳶尾花為例子來說明 觀察上圖，判決鳶尾花的思考過程可以這麼來描述 花瓣的長度小於2.4cm的是setosa 圖中綠色的分類 長度大於2.4cm的呢？可以通過寬度來判別，寬度小於1.8cm的是versicolor 圖中紅色的分類 其餘的就是virginica 圖中黑色的分類 用圖形來形象的展示上述思...
Boosting演算法與R的實現
boost也分為許多種類，如adaboost gradient boost xgboost等，gradient boost顧名思義，與梯度脫不開關係，對梯度有了解或學過數值計算的人應當知道，負梯度方向是函式下降最快的方向。在有監督機器學習中，我們的目標是學得使得損失函式最小的模型，因此梯度下降演算法...