數值概率演算法是一類用於數值問題求解的演算法。
例1 計算面積
給定平面上的乙個封閉圖形，求它的面積。
你可以呼叫函式 \(f(x,y)\) 返回這個地方是否在這個圖形內。
保證這個封閉圖形的任何乙個點在的座標 \((x,y), 0\le x,y\le1\)。
分析隨機在 \(x,y\) 範圍的正方形內取若干個點，判斷是否在圖形內，計算落在該圖形內概率 \(p\)，面積為 \(1^2p\)。
思路
爬山演算法，為了找出乙個函式的最大/最小值，隨機乙個初始點作為當前最優解，每次隨機選擇附近的乙個新點，然後如果該點的值比當前點的值更優，就把新點設為當前點。
缺點
有可能落入乙個區域性最優值，出不來。
思路
其思路與爬山演算法差不多，只不過它在選擇新的解的時候，若新解比舊解劣，以一定的概率接受新解。
這個概率會隨著「溫度」的減少越來越低。（溫度隨著迭代逐漸降低）
通常，若溫度為 \(t\)，新解與舊解的差為 \(\delta t'\)，按照 metropolis 準則，接收新解的概率為 \(e^ t}\)。
題1 [haoi2006]均分資料
已知數列 \(a\)，把 \(a\) 分為 \(m\) 組資料，使得各組資料的和的均方差最小。
題2 計算定積分
給定 \(f(x),a,b\)，求 \(\int_b^a f(x)dx\)，滿足 $0\le a,b\le 1, \forall a\le x \le b,0\(3\) 位小數。（假設你不知道定積分怎麼做）
演算法學習筆記十三 隨機演算法
按照字典中使用的定義，當事件不可 地發生時，它被認為是隨機的。物件在沒有任何計畫的情況下被建立時稱為隨機。根本的問題是，隨機性是否真的存在，或者我們是否只使用這個術語來建模具有未知規律性的物件和事件。我們要檢查ri和rii是否包含相同的資料。通訊協議的複雜性是為了解決這個決策問題而必須在ri和rii...
隨機森林演算法學習
對於k個訓練集，我們訓練k個模型 這k個模型可以根據具體問題而定，比如決策樹，knn等 對於分類問題 由投票表決產生分類結果 對於回歸問題 由k個模型 結果的均值作為最後 結果。所有模型的重要性相同 進行迭代的過程中，每一步迭代都是乙個弱分類器。我們需要用某種策略將其組合，作為最終模型。例如adab...
隨機森林演算法學習 RandomForest
大部分的內容參考自 對於k個訓練集，我們訓練k個模型 這k個模型可以根據具體問題而定，比如決策樹，knn等 對於分類問題 由投票表決產生分類結果 對於回歸問題 由k個模型 結果的均值作為最後 結果。所有模型的重要性相同 進行迭代的過程中，每一步迭代都是乙個弱分類器。我們需要用某種策略將其組合，作為最...