bl演算法

❶ cg,bl這種都是什麼意思

計算機圖形學(Computer Graphics，簡稱CG)是一種使用數學演算法將二維或三維圖形轉化為計算機顯示器的柵格形式的科學。

BL就是BOY'Z LOVE的縮寫,也有耽美的意思

❷ 金融模型——熵池模型

在之前的文章中，整理了一系列資產配置模型，有馬科維茨均值方差模型、風險平價模型、風險預算模型和BL模型，本文對另一資產配置模型進行詳細介紹，算是對之前文章的一個補充。此模型為熵池模型，是應用熵池理論進行資產配置。其是BL模型的泛化，懂得BL模型的推導，可以很容易理解熵池模型。

BL模型是使用貝葉斯收縮的思想，其過程是：將市場均衡收益的概率分布當成先驗分布，將投資觀點分布當成條件分布，使用貝葉斯公式，獲得後驗分布，反解配置權重。
在這個過程中會有兩個問題，其一觀點必須是線性的收益觀點，且BL模型不能考慮觀點的相關性，其二先驗分布只能是市場均衡點收益的的先驗分布，市場均衡點一般情況不存在，且模型拘泥於收益分布，不能使用風險或者其他指標分布。

基於以上存在的問題，提出了BL模型的泛化模型---熵池模型。
熵池模型是使用熵池理論進行資產配置，其過程是：先找一個已知先驗分布的參考模型，在再滿足觀點規則的空間裡面找一個與先驗分布相對熵最小的分布生成後驗分布。最後通過先驗分布和後驗分布的池化得出資產的價格分布，根據資產的價格分布，再結合相應的約束和優化問題，反解出配置權重。

下面從香農熵開始，一點一點進行詳細介紹。

在通信領域，對於一個信息所含得信息量，進行數學量化是見很難得事情，香農引入了香農熵得概念，徹底解決了這一問題，香農引入的這一概念，不光可以解決信息中含有信息量得量化問題，還可以計算在數據和信息壓縮時的臨界值，而且在數學和機器學習領域，這一概念還可以衡量隨機變數，隨機變數越不確定，起熵值越大。

也是因為上面所說的最後一個用途，導致這一概念在數學和機器學習領域大放光彩。

香農在推導香農熵表達式時，先描述了如下性質，認為所要得到的量，必須滿足以下性質：

單調性，即發生概率越高的事件，其所攜帶的信息熵越低。極端案例就是「太陽從東方升起」，因為為確定事件，所以不攜帶任何信息量。從資訊理論的角度，認為這句話沒有消除任何不確定性。
非負性，即信息熵不能為負。這個很好理解，因為負的信息，即你得知了某個信息後，卻增加了不確定性是不合邏輯的。
累加性，即多獨立隨機事件同時發生存在的總不確定性的量度是可以表示為各事件不確定性的量度的和。

香農證明了，滿足以上三個性質的公式是唯一的，表達式如下：

其中C為常數。X為隨機變數或者隨機事件， 為事件x發生的概率。

當C=1時，H（X）被稱為香農熵，單位為bit。

由上面香農熵的概念可得到條件熵𝐻(X|Y)的概念，其定義為在給定條件 𝑌 下，X 的條件概率分布的熵對 Y 的數學期望：

其表示隨機變數或者信息Y在已知的條件下，隨機變數或者信息X的不確定性。

兩個隨機變數或者信息之間的相互依賴，可以使用互信息來度量。其定義如下：

其中H(X,Y)為聯合熵。

互信息的用處非常大，如果我們最大化兩個隨機事件的互信息，就是最大化兩個隨機事件的相關性。當兩個X=Y時，有：

所以在機器學習中，理想情況下，當數據集中數據擬合出的分布和真實分布的互信息最大，可以認為從數據集中擬合出來的隨機變數的概率分布與真實分布相同。

香農熵、互信息、條件熵的關系如下圖所示：

上面給出的互信息已經可以衡量兩個隨機變數的分布的差異，但是在機器學習中，更多的使用KL散度（相對熵）來衡量樣本分布和真實分布之間的距離，從而不停優化樣本分本。

KL散度定義如下：

其中p(x)時真實分布，q(x)時樣本分布，可以通過不停的訓練，使得 越來越小，從而使樣本分布更接近真實分布。

對上面KL散度進一步化簡，可得：

因為H(p(x))僅僅與真實分布有關，所以在機器學習模型的優化時，這個是一個定值。只能優化後面一個部分。

其後面這部分就被稱為交叉熵：

最大熵原理是 1957 年由美國統計學家、物理學家E.T.Jaynes 提出的，觀點將帶來新的信息量，因而後驗分布的熵一定小於先驗分布，而
滿足觀點約束的後驗分布有無窮多個，「最大熵原理」是指在這些分布中選擇熵最大，最具有不確定性的那一個，盡量不加入多餘假設和結構。

根據最大熵原理，我們如果對一個先驗分布增加信息，得到的後驗分布應該時這些後驗分布中熵最大的一個，也就是我們加入的信息產生的後驗分布應該和原來的先驗分布有最小的相對熵。這就是為什麼要進行最小化相對熵。

因為熵池模型時BL模型的泛化和推廣，所以，我們先回顧以下BL模型的推導。

BL模型裡面,先假設市場均衡收益服從如下分布:

構造觀點收益分布為：

根據BL模型的推導,使用貝葉斯收縮,得到,最後的收益分布為:

上面正態分布均值為：

上面正態分布方差為：

由 可以反解出配置權重.相信推導過程可參考<<金融模型——資產配置模型>>

我們仿照上面BL模型的過程，推導熵池模型．

這里是分成五步：

所謂的參考模型就是風險因子X的先驗聯合分布，可以用概率密度函數來表示：

其中 是一種分布的概率密度函數。

可以看到，原始的BL模型中，第一步是確定均衡收益的正態分布，熵池模型不需要限定在均衡收益上，可以是任意的風險因子X，而且這個X不需要服從正態分布，可以是任何分布。

這里一定要注意，我們由風險因子X一定可以通過一種方式求出資產配置的權重W。因為我們最後要求的就是W。理解這個地方也是理解整個模型最困難的地方，熵池模型用到的先驗分布和後驗分布不是資產配置的權重分布，我們如果要求得所需要的資產配置權重，要根據熵池模型用到的先驗分布或者後驗分布再另外引入優化演算法，求解其最優配置權重。

一般由風險因子X分布確定權重的方法是構造以 為自變數的滿意度函數，也就是效用函數S。使的效用函數最大化，反解W。

即：

其中C為資產配置權重解空間。這就是上面所說的另外引入的求解資產配置權重的優化演算法。

由上面的參考模型，我們已經可以反解配置權重了，但是觀點信息沒有考慮進去，這里採用的是熵池理論，最小化相對熵演算法，將觀點信息加入到分布中。

最小化相對熵演算法是貝葉斯收縮的泛化形式，為了更好泛化，這里的風險因子可以看成是原始風險因子X的一個函數g(X)，則g(x)也是一個隨機變數，其也服從已知的參考模型的分布 。

即：

我們在V上添加觀點信息。讓其滿足觀點，那麼我們的分布 就會被更新成 ，記：

我們如果把第一步中滿意度函數S中的 替換成 ，那麼我們使用最優化演算法，也可以反解出配置權重W.

但是，我們不能直接替換 ,因為， 我們不知道，或者說，滿足條件的 太多了。

那我們如何挑選一個最合適的 呢，我們挑選的 要滿足兩點，一是X必須滿足觀點信息，二是X僅僅
滿足觀點信息，不能夾雜任何其他多餘的信息。

如何選取滿足條件的 ， 剛剛好就是最大熵原理，我們只需要最小化 與 的相對熵，就可以找到最有的 。

即：

其中 為分布 與分布 的相對熵。

這里可以證明BL模型所用的貝葉斯收縮是最小化相對熵演算法的一種特例。

這樣，我們就把觀點信息引入到配置模型中，而且從推到的過程我們看到，此觀點沒有做任何的限制，可以是風險的觀點，可以是收益的觀點，可以是非線性的觀點，比起BL模型的現象觀點已經做了很大的泛化。具體觀點的引入形式，在第五小結--各類型觀點融入講解。

而且，因為使用了最大熵原理，添加的觀點信息如果是有效的，那麼模型得到的分布的熵一定是遞減的，添加的觀點信息如果是無效的，得到的分布的熵一定是不變的。這一點比BL模型好多了，BL模型即使無效的信息，後驗分布的熵也會變小。

熵池模型比起BL模型多一步，就是池化的一步，所謂池化，就是根據對觀點信息的信心程度，對參考模型和加了觀點的優化模型做一個加權處理。

即：

若存在著多個不同信心的觀點，也可通過對100%信心的後驗分布進行信心加權的方式進行融合，比如假設有S名專家分別對各自的𝒈(𝑿)輸入了他們的觀點，那麼我們可以得到S個 100%信心後驗分布 。最終後驗分布即為：

至此，熵池模型的推導結束。整個熵池模型的示意圖如下：

截止第4步，熵池模型的推導是結束了，但是我們只得到了風險因子在觀點下的後驗分布，並沒有得到我們想要的資產配置權重。我們可以根據風險因子在觀點下的後驗分布，可以得到資產價格的分布，另外引入優化模型（一般是構造效用函數），確定其資產配置權重。

上面的推導中可以看出，熵池模型比BL模型靈活的一點是，觀點的類型很多，這一節，我們分別看看個類型的觀點如何融入到模型中。

對於融入的觀點類型包括：均值、中位數、分位數、Var值、波動率、協方差、相關系數、尾部相關性、CVaR、邊緣分布、聯合分布、Copula等。

對於融入的觀點形式包括：等式、不等式、排序等。

均值觀點可以表達為：

這里的k代表第k個證券。 是觀點裡面對第k個證券給定的值， 是風險因子X的的函數 .

其展開形式為：

其中J為歷史界面樣本個數， 為資產k,歷史上在第j期因子v的權重, 同上。

對於n-分為數的觀點:

其中 為分布的n-分為數。

定義排序函數s(i)為風險因子中低i小的持續統計量。即 的T期值從小到大排序，低i個值對應的下標。

定義序號合集：

則n-分為數的觀點可表達為：

對於資產排序的觀點：

其中E為取期望，這里不一定是期望，可以是任意的函數，K是資產數量。

可以進行如下表達：

其他的觀點形式不一一推到，可以證明，所有的觀點都可以表述成一下模式：

其中 就是我們想要得到的後驗分布。a,b為觀點給的信息。

上面所有的內容都是關於一些熵池模型的理論知識，下面給出熵池模型在實際應用時如何求解，並且給出一個實際的例子。

在求解BL模型時，可以通過數學推導，解出模型的解析解，但是在熵池模型裡面，我們很難得到解析解，但是比較好的是，熵池模型的數值解非常簡潔。

下面我們就給出熵池模型的數值解。注意再強調一次，這里的解還是得到的後驗概率，不是資產配置的權重，資產配置的權重需要用後驗概率另外建模求解。

首先我們對K個需要配置的資產，選取J個歷史區間，統計每個歷史區間上每個資產的風險因子X（或者是風險因子的函數V=g(X)），假設風險因子有M個，則
我們就形成了一個JXM的矩陣。此矩陣的每一行代表一個歷史區間，此矩陣的每一列代表一個風險因子的邊緣分布。

這里如果我們知道每個風險因子X的聯合分布，我們不用去歷史上截取J個區間，我們直接可以使用蒙特卡洛模擬法在這個聯合分布裡面采樣。

由定價公式，我們認為風險因子X和t期的觀點信息 可以確定t+1期的資產價格 ，即：

其中Price為一個函數。

根據定價公式，我們可以把上面矩陣的每一行加上對應當期的觀點信息，映射成一個下一期的資產價格，因為資產有K個，所以可以把上面矩陣映射成一個JXK的矩陣。其矩陣的每一行還是一個歷史區間，其矩陣的每一類代表一個資產。矩陣中元素為資產價格。

我們最終的目標其實是利用定價公式，求出資產的價格，這里我們構建參考模型，假設我們預測的下一期資產的價格是歷史每期價格的加權平均，即：

其中k是第k個資產，J樣本歷史總區間數, 是第j個區間上價格的權重（概率）， 為第k個資產在第j個樣本區間上的價格。

那麼 就是我們的初始參考模型。這一參考模型一般認為是等權，即

等權意義就是，在沒有任何觀點信息的時候，我們認為當前價格應該等於歷史每一期價格的均值。

由上面的論述，所有的觀點都可以表述成一下模式：

其中，A為一個矩陣， 為需要求的帶有觀點的後驗分布，

所以，我們只需要求解以下優化問題即可。

承接上面論述，我們需要解決以下優化問題。

這是典型的凸優化問題，使用拉格朗日乘數法，將其轉換為拉格朗日對偶問題，可輕松解決，相信推導查看本人SVM的相關文章。

同SVM一樣，轉化成拉格朗日對偶問題後，問題回變得很簡潔，不論J取多大，要求的闡述和J的慣性都不大，計算量也不會增加。

根據觀點信息的信心程度，確定c,代入池化公式。

我們知道了最後的概率分布，這一概率分布是歷史價格的一個權重，我們根據歷史價格和這一概率分布，可以算出資產的價格，同理我們可以算出資產的收益率和風險。其計算方法就是馬科維茨均值方差的計算方法。

我們得到每一個資產的價格分布，從而我們可以計算出每一個資產的收益、風險、var之類的指標，從而引入其他優化問題，解出資產配置的權重。

熵池模型作為BL模型的泛化，與其他均值方差模型相比，有以下有點：
1、 可融合幾乎任意形式的觀點（線性與非線性、等式與非等式）；
2、 可對任意分布進行觀點融合；
3、 可以冪集映射的方式融入觀點間的相關性；
4、 觀點的影響具有整體性，會對相關資產做全局調整；
5、 利用最大熵原理避免不必要的假設和結構；
6、 情景表達法下無需重定價，計算速度更快。

熵池模型作為新興的一種資產配置模型，正在慢慢的普及，相信在未來會更加大眾化。

❸ mov bl 11 mul bl mov bl 0A div bl mov al ah 哪位大俠給我看一下 這什麼演算法

mov bl,11
mul bl;功能al乘以bl,將乘積結果存放到ax中
mov bl,0a
div bl;ax除以bl
mov al,ah;將ah中存放的余數存放到al中
建言就是al*11/10 最後將余數傳送到al中
但願對你有幫助

❹ 有沒有同學用Python實現了BL演算法

編寫代碼過程中，加上了一些功能（例如f5一鍵編譯以及C艹用f8自動調用gdb等等），在這里給分享出來。
Cpp代碼
"編碼設置
set enc=utf-8
set fencs=utf-8,ucs-bom,shift-jis,gb18030,gbk,gb2312,cp936
"語言設置
set langmenu=zh_CN.UTF-8
set helplang=cn
if has("syntax")
syntax on
endif
""""""""""""""""""""""""""""""""""""""""""""""""""""

❺ 大數據專業學什麼 bl

大數據專業將從大數據應用的三個主要層面（即數據管理、系統開發、海量數據分析與挖掘）系統地幫助企業掌握大數據應用中的各種典型問題的解決辦法，包括實現和分析協同過濾演算法、運行和學習分類演算法、分布式Hadoop集群的搭建和基準測試、分布式Hbase集群的搭建和基準測試、實現一個基於、Maprece的並行演算法、部署Hive並實現一個的數據操作等等，實際提升企業解決實際問題的能力。

❻ 手機的BL到底是鎖了好還是不鎖好

BL鎖一般是鎖兩個方向:
1. Bootloader會去檢查它載入的鏡像boot.img或recovery.img的簽名信息，這個簽名只有手機原廠能做出來。修改過後的或第三方鏡像的簽名不存在或無效，Bootloader會拒絕繼續啟動。boot.img會去檢查system鏡像簽名，如果不是原廠的，拒絕啟動。recovery會去檢查OTA刷機包的簽名，不是原廠的拒絕更新。
2. 一般出廠機器會禁用常規Bootloader的直接刷機功能。

以上這個流程，其實是secure boot規范的一部分，主要有兩個目的:
1. 防止用戶刷入第三方ROM, 導致系統出現不可逆的損壞，增加售後服務支持和維修成本
2. 防止不明系統竊取手機的底層機密信息，比如，HDCP秘鑰，各種錢包數據，這些東西應用甚至android系統層都無法直接接觸到(一般從硬體層面加密過)，但刷入不明ROM會大大增加泄露破解的風險。也因此，有些機器發現被root之後，錢包功能會被永久禁用。

secure boot是很多服務供應商(收費視頻，手機支付，生物特徵識別等)要求手機oem廠商必須做到的。

Bootloader鎖的解鎖原理:
在某處存放一個標志，標識有沒有解鎖，如果解鎖了，就放開以上限制。存放這個標志的位置在解鎖前第三方app是沒有許可權讀寫的，所以不可能繞過官方解鎖流程。

正常的解鎖過程一般跟電腦軟體的注冊碼實現原理相當，解鎖軟體根據手機硬體特徵生成中間碼，把中間碼發給伺服器，伺服器進行某種加密傳回來寫入特定位置，bootloader會在這個位置檢查解鎖信息是否合法，合法就寫入已解鎖的標志，就可以刷入並載入第三方鏡像了。解鎖碼的生成過程一般會用到非對稱加密外加私有演算法，幾乎不可破解，即使拿到原代碼也做不到。

❼ visualpls1.04bl和amos一樣嗎

不一樣，一個是PLS演算法，一個是基於協方差的ML分析。（南心網 PLS與Amos對比分析）

❽ 常用的數據挖掘演算法有哪幾類

常用的數據挖掘演算法分為以下幾類：神經網路，遺傳演算法，回歸演算法，聚類分析演算法，貝耶斯演算法。

目前已經進入大數據的時代，所以數據挖掘和大數據分析的就業前景非常好，學好大數據分析和數據挖掘可以在各個領域中發揮自己的價值；同時，大數據分析並不是一蹴而就的事情，而是需要你日積月累的數據處理經驗，不是會被輕易替代的。一家公司的各項工作，基本上都都用數據體現出來，一位高級的數據分析師職位通常是數據職能架構中領航者，擁有較高的分析和思辨能力，對於業務的理解到位，並且深度知曉公司的管理和商業行為，他可以負責一個子產品或模塊級別的項目，帶領團隊來全面解決問題，把控手下數據分析師的工作質量。

想要了解更多有關數據挖掘演算法的信息，可以了解一下CDA數據分析師的課程。課程教你學企業需要的敏捷演算法建模能力，可以學到前沿且實用的技術，挖掘數據的魅力;教你用可落地、易操作的數據科學思維和技術模板構建出優秀模型，只教實用干貨，以專精技術能力提升業務效果與效率。點擊預約免費試聽課。

❾ 求十進制數字轉換為16進制的漸變演算法 要手算的

你個利用雙線性插值的方法,我是學VB的,C的不懂,代碼就不能貼了,只能說下如何運算..剩下的就要靠你自己了

1.首先計算縮放比例..bl=2/w...2是原圖寬度(因為只有2個顏色)...w是放大後的寬度
2.開始循環,從1循環到目標寬度w,假設循環變數為i...就用n=i*bl
3.取出n的小數部分存到變數p中..然後合成顏色,目標色R=R1*(1-p) R2*p G=G1*(1-P) G2*p B=B1*(1-P) B2*p....R1/G1/B1是起始色的紅/綠/藍色,R2/G2/B2是結束色的紅/綠/藍色.

這個演算法是什麼原理呢,我說一下,算出的n=i*bl就是一個小數值.假如他是1.3,那麼他靠1顏色就近些,所以1顏色對他的影響就大,所以R1*(1-p) R2*p就體現了1顏色影響的范圍大,2顏色影響小..假如是1.7,那麼2顏色對他的影響大,1就小....所以他呈現漸變分布..

而雙線性插值一般用語圖像放大縮小..

❿ 數據挖掘十大經典演算法及各自優勢

數據挖掘十大經典演算法及各自優勢

不僅僅是選中的十大演算法，其實參加評選的18種演算法，實際上隨便拿出一種來都可以稱得上是經典演算法，它們在數據挖掘領域都產生了極為深遠的影響。
1. C4.5
C4.5演算法是機器學習演算法中的一種分類決策樹演算法,其核心演算法是ID3演算法. C4.5演算法繼承了ID3演算法的優點，並在以下幾方面對ID3演算法進行了改進：
1) 用信息增益率來選擇屬性，克服了用信息增益選擇屬性時偏向選擇取值多的屬性的不足；2) 在樹構造過程中進行剪枝；3) 能夠完成對連續屬性的離散化處理；4) 能夠對不完整數據進行處理。
C4.5演算法有如下優點：產生的分類規則易於理解，准確率較高。其缺點是：在構造樹的過程中，需要對數據集進行多次的順序掃描和排序，因而導致演算法的低效。
2. The k-means algorithm 即K-Means演算法
k-means algorithm演算法是一個聚類演算法，把n的對象根據他們的屬性分為k個分割，k < n。它與處理混合正態分布的最大期望演算法很相似，因為他們都試圖找到數據中自然聚類的中心。它假設對象屬性來自於空間向量，並且目標是使各個群組內部的均 方誤差總和最小。
3. Support vector machines
支持向量機，英文為Support Vector Machine，簡稱SV機（論文中一般簡稱SVM）。它是一種監督式學習的方法，它廣泛的應用於統計分類以及回歸分析中。支持向量機將向量映射到一個更 高維的空間里，在這個空間里建立有一個最大間隔超平面。在分開數據的超平面的兩邊建有兩個互相平行的超平面。分隔超平面使兩個平行超平面的距離最大化。假 定平行超平面間的距離或差距越大，分類器的總誤差越小。一個極好的指南是C.J.C Burges的《模式識別支持向量機指南》。van der Walt 和 Barnard 將支持向量機和其他分類器進行了比較。
4. The Apriori algorithm
Apriori演算法是一種最有影響的挖掘布爾關聯規則頻繁項集的演算法。其核心是基於兩階段頻集思想的遞推演算法。該關聯規則在分類上屬於單維、單層、布爾關聯規則。在這里，所有支持度大於最小支持度的項集稱為頻繁項集，簡稱頻集。
5. 最大期望(EM)演算法
在統計計算中，最大期望（EM，Expectation–Maximization）演算法是在概率（probabilistic）模型中尋找參數最大似然 估計的演算法，其中概率模型依賴於無法觀測的隱藏變數（Latent Variabl）。最大期望經常用在機器學習和計算機視覺的數據集聚（Data Clustering）領域。
6. PageRank
PageRank是Google演算法的重要內容。2001年9月被授予美國專利，專利人是Google創始人之一拉里·佩奇（Larry Page）。因此，PageRank里的page不是指網頁，而是指佩奇，即這個等級方法是以佩奇來命名的。
PageRank根據網站的外部鏈接和內部鏈接的數量和質量倆衡量網站的價值。PageRank背後的概念是，每個到頁面的鏈接都是對該頁面的一次投票， 被鏈接的越多，就意味著被其他網站投票越多。這個就是所謂的「鏈接流行度」——衡量多少人願意將他們的網站和你的網站掛鉤。PageRank這個概念引自 學術中一篇論文的被引述的頻度——即被別人引述的次數越多，一般判斷這篇論文的權威性就越高。
7. AdaBoost
Adaboost是一種迭代演算法，其核心思想是針對同一個訓練集訓練不同的分類器(弱分類器)，然後把這些弱分類器集合起來，構成一個更強的最終分類器 (強分類器)。其演算法本身是通過改變數據分布來實現的，它根據每次訓練集之中每個樣本的分類是否正確，以及上次的總體分類的准確率，來確定每個樣本的權 值。將修改過權值的新數據集送給下層分類器進行訓練，最後將每次訓練得到的分類器最後融合起來，作為最後的決策分類器。
8. kNN: k-nearest neighbor classification
K最近鄰(k-Nearest Neighbor，KNN)分類演算法，是一個理論上比較成熟的方法，也是最簡單的機器學習演算法之一。該方法的思路是：如果一個樣本在特徵空間中的k個最相似(即特徵空間中最鄰近)的樣本中的大多數屬於某一個類別，則該樣本也屬於這個類別。
9. Naive Bayes
在眾多的分類模型中，應用最為廣泛的兩種分類模型是決策樹模型(Decision Tree Model)和樸素貝葉斯模型（Naive Bayesian Model，NBC）。 樸素貝葉斯模型發源於古典數學理論，有著堅實的數學基礎，以 及穩定的分類效率。同時，NBC模型所需估計的參數很少，對缺失數據不太敏感，演算法也比較簡單。理論上，NBC模型與其他分類方法相比具有最小的誤差率。 但是實際上並非總是如此，這是因為NBC模型假設屬性之間相互獨立，這個假設在實際應用中往往是不成立的，這給NBC模型的正確分類帶來了一定影響。在屬 性個數比較多或者屬性之間相關性較大時，NBC模型的分類效率比不上決策樹模型。而在屬性相關性較小時，NBC模型的性能最為良好。10. CART: 分類與回歸樹
CART, Classification and Regression Trees。 在分類樹下面有兩個關鍵的思想。第一個是關於遞歸地劃分自變數空間的想法；第二個想法是用驗證數據進行剪枝。

以上是小編為大家分享的關於數據挖掘十大經典演算法及各自優勢的相關內容，更多信息可以關注環球青藤分享更多干貨