投票算法

⑴ 大概描述一下霍夫森林和霍夫投票算法，谢谢~

霍夫森林（houghforests）

霍夫森林是随机森林和霍夫投票在计算机视觉中的应用，用在物体检测，跟踪和动作识别。主要特点是：

（1）每个叶子节点都是一个判别性的码本，对到达这个叶子节点的patch做出一个预测：它来自前景的概率是多少？它距离物体中心有多远？

（2）在节点分裂的时候，随机选择类别不纯度或是偏移量不纯度：

⑵ 哪些机器学习算法可以处理多分类

maxsoft作为logistics二分类的改进版，天生适合多分类；神经网络(如bp神经网络，随机权神经网络，RBF神经网络等)；通过建立多个支持向量机或者最小二乘支持向量机分类模型，通过投票算法选择概率最大的分类标签；也可以通过聚类算法(KNN，kMeans等)等无监督学习算法实现分类。
朴素贝叶斯分类器算法是最受欢迎的学习方法之一，按照相似性分类，用流行的贝叶斯概率定理来建立机器学习模型，特别是用于疾病预测和文档分类。 它是基于贝叶斯概率定理的单词的内容的主观分析的简单分类。
如果特征数量远大于训练样本数，则使用逻辑回归或线性核方法的SVM。
如果特征数较小，而样本数量相对较多，可以考虑高斯核方法的SVM。
如果特征数少儿样本数极大，可以考虑增加一些特征，再使用逻辑回归或线性核方法的SVM
神经网络则对上述情况都可适用，但训练时间较长。

想要学习了解更多机器学习的信息，推荐CDA数据分析师课程。CDA 与国际知名考试服务机构 Pearson VUE 合作,认证考点覆盖全球。课程内容综合使用统计分析方法、统计模型、运筹学、机器学习、文本挖掘算法，而非单一的机器学习算法。 点击预约免费试听课。

⑶ 为何随机森林的机器学习统计模型预测法官投票准确率胜过专家

因为随机森林的机器学习统计模型进行了大量的数据分析，该模型先学习了1816年到2015年最高法院案例特征与裁决结果之间的关联，然后按年份研究每个案例的特征并预测裁决结果，最后被“投喂”关于该年份裁决结果实际信息的算法升级了预测策略，并继续进行下一年的预测。

用计算机算法预测法官行为并不稀奇。2011年，西班牙学者在一项研究中，使用1953年到2004年任意8名法官的投票，来预测同一案件中第9名法官的投票，准确率为83%；2004年，美国学者使用1994年以来一直在法院工作的9名法官的判决，来预测2002年案件的判决结果，准确率为75%。

而伊利诺伊大学理工学院法学教授丹尼尔·卡茨的团队利用最高法院数据库，为每个投票标注了16个特征，包括法官任期、诉讼发起法庭、口头辩论是否被听到等，创建了最先进的算法。对1816年到2015年美国最高法院的判决进行预测，准确率高于70%，较知识渊博的法律专家（预测准确率为66%）更胜一筹。结果显示，对于28000项判决结果及24万张法官投票，新模型算法预测的正确率分别为70.2%和71.9%。相关研究文章发表在《公共科学图书馆·综合》（PLOS ONE）上。

⑷ 美国大选是怎么个玩法，怎么那么多人投票，却只有几百张选票多少人算一张啊

美国总统由全国选民投票选举，但并非选民直选产生，而是实行选举人团制。选民投票产生的是代表50个州和哥伦比亚特区的538名选举人。总统候选人获得超过半数选举人票（至少270张）即可获胜。

美国各州拥有的选举人票数量同该州在国会参、众议员人数相等。参议院由每个州选举出的2名议员组成，而众议院议员人数则根据各州人口比例来确定。人口多的州产生的众议院议员人数就多，同时在总统选举时拥有的选举人票也多。如人口最多的加利福尼亚州的选举人票多达55张，而人口较少的阿拉斯加等州只有3张选举人票。哥伦比亚特区虽没有参、众议员，但仍拥有3张选举人票。

除缅因和内布拉斯加两个州按得票率分配选举人票外，其余48个州和哥伦比亚特区均实行“胜者全得”制度，即把本州的选举人票全部给予在该州获选民票最多的总统候选人。
简单地说 就是大选分为两级 第一次是全民普选 第二次是选举人票选举人票是每个州按照该州参众两院议员人数数量分配 因此选举人票是很少的 美国绝大部分州按照赢者全得的方法 把所有选举人票投给该州普选获胜的候选人 因此选举人票会在两个候选人普选成绩接近时起决定作用 谁能在选举人票多的州获得普选胜利 谁就能当总统。
再简单点说， 选举总统的时候就好比是各个州在选举总统，每个州按照人口比例和参议院众议院人数等因素会这个一定数量的选举团人票，第一次全民普选出来后，2个候选人谁赢，这个州接下来的选举人票就选谁！

⑸ 狼人杀如何用算法算出谁是狼人

各种人物角色的能力：
狼人：天黑时睁眼，杀一个人。（可以自杀或不杀人，狼人意见不统一时，少数服从多数，平局不杀人）
村民：没有任何特殊能力，天黑时一直闭眼，睡觉。
预言家：天黑时睁眼，一晚可以查看一名玩家的身份。
猎人：如果猎人正常死亡时（被处决或被狼人杀害），临死前可以进行射击，指定任意一个活着的玩家，该玩家立即死掉（出局）。但是如果被女巫毒死，情侣殉情或其他形式死亡，则不可射击（主持人提醒一下）。
丘比特：在游戏开始的第一个晚上，指定两名玩家，这两人成为两名情侣（不限性别）。丘比特可以指定自己为两名情侣之一。两名情侣中的一个死去时，另一名也立即死去，并且没有遗言。投票时，一名情侣不得把票投给另一名情侣。如果两名情侣，一个是狼人，另一个是村人，这两名玩家游戏的目标就改变了，他们要把其余所有玩家都杀死（包括狼人和村人）。
女巫：有两种剂，一种是解，可以救人，让天黑时被狼人杀死的人活过来；另一种是毒，在天黑时可以杀死一个人。在整个游戏过程中，每一种剂只能使用一次。(女巫可以自救，可以自杀，当女巫用过解之后，上帝将不再告诉她死者是谁。)
小女孩：在夜晚，狼人睁眼的时候，小女孩可以悄悄睁眼，看谁是狼人。如果在夜晚，狼人发现了小女孩，小女孩立即死亡，那个晚上，狼人就不能杀其他人，只把小女孩杀死。当然狼人也可以选择不杀死小女孩，那样会很危险。（主持人很难控制，建议不加此角色）
白痴：如果村民最终投票决定的人是白痴，则白痴翻开他的身份牌。在此之后，白痴继续游戏，不能再投票，但可以在他人发言时插嘴。狼人可以杀掉白痴，猎人也可以射杀白痴。如果警长是白痴，则当白痴失去投票资格之后，警长就没有实际作用了。
长老：有两条命。狼人第一次杀长老时，长老不会死，只有当狼人第二次杀长老时，他才会死。但女巫的毒、猎人的射击，都只需要一次就可以让长老死去。白天长老也可以被投票处死，也只需要一次。如果上面这三种情况之一（女巫、猎人、投票杀死长老）发生，则所有村人失去他们的特殊能力（白痴如果已经揭开身份，则将同长老一起死去），一直到游戏结束。如果长老被女巫的解救过来，则长老只剩下一条命。
替罪羊：白天投票如果出现平局，则替罪羊将会死去，得票平手的玩家不会死。因此替罪羊要避免出现平票的局面。替罪羊死之前，可以指定下一天投票，哪些玩家可以投票，哪些玩家不得投票。如果替罪羊死前只指定了一名玩家，让他可以在下一天投票，则该玩家很可能在接下来的晚上被狼人杀死，于是下一天就没有人能够投票了。
守卫：每个晚上，守卫在狼人之前被唤醒。守卫指定一名玩家，该玩家在那个晚上受到保护，不会死。如果接下来狼人刚好选择了守护者要保护的玩家，则那个玩家不会死。守护者可以保护自己。守护者不得连续保护同一个人两次。如果守护者保护的人是小女孩，则保护不会生效。
吹笛者：每个晚上，吹笛者都被唤醒，指定两名玩家。法官把这两名玩家的肩膀碰一下，这两名玩家已经被施了魔法。随后吹笛者闭眼。接着法官让所有被吹笛者施过魔法的人（不论是当晚的还是之前的）睁眼，他们可以知道哪些人已经被吹笛者施了魔法，接着他们闭眼。场上活着的玩家，如果全都被吹笛者施过魔法，则吹笛者获胜，其余玩家都输掉。这种情况可能会在某次投票之后发生，或者狼人杀了人之后。吹笛者不得对自己施魔法。被施了魔法的玩家仍然扮演他们的角色，仍然具有角色的特殊能力。魔法不会在两名爱人之间传播。
盗贼：如果使用盗贼，则在游戏开始时，多加入两张普通村民卡。这样玩家拿取身份牌后，会多出两张牌，牌面向下放在桌子中央。在第一个晚上，盗贼观看这两张牌，可以把自己的身份牌和其中一张交换，此后盗贼就扮演交换过来的身份，当然也可以不交换，不交换的话，接下来盗贼就和普通村民没区别。但是，如果这两张牌都是狼人，则盗贼必须把自己的身份牌和其中一张交换，也就是盗贼必须成为狼人。
注：警长：警长的身份不是通过发牌得到的，而是第一个白天大家各自发表意见之后由村人投票选举出来的。白天投票时，警长的一票以2票来计算。如果警长被杀，则警长临死时可以指定一名活着的玩家作为他的继任者，担任警长。被选作警长的玩家有2张牌，一张牌面向下放在自己面前（游戏一开始发的），另一张是警长牌。
提示：游戏中，狼人、预言家、村民是必须要使用的，其余角色根据游戏人数可适当加入。个人觉得一般来说其他会优先加入女巫、猎人、守卫、丘比特、盗贼、长老，另外的不怎么用

⑹ 请问oracle rac集群中的脑裂brain split是怎么回事请详细介绍下

sql">这2天在面试DBACandidate的时候，我问到OracleRAC中BrainSplit脑裂决议的一些概念，几乎所有的Candidate都告诉我当”只有2个节点的时候，投票算法就失效了，会让2个节点去抢占QuorumDisk，最先获得的节点将活下来”。我们姑且把这套理论叫做”抢占论”。
“抢占论”的具体观点可能与下面这一段文字大同小异:

“在集群中，节点间通过某种机制(心跳)了解彼此的健康状态，以确保各节点协调工作。假设只有”心跳”出现问题，各个节点还在正常运行，这时，每个节点都认为其他的节点宕机了，自己是整个集群环境中的”唯一建在者”，自己应该获得整个集群的”控制权”。在集群环境中，存储设备都是共享的，这就意味着数据灾难，这种情况就是”脑裂”
解决这个问题的通常办法是使用投票算法(QuorumAlgorithm).它的算法机理如下：
观点1：
集群中各个节点需要心跳机制来通报彼此的”健康状态”，假设每收到一个节点的”通报”代表一票。对于三个节点的集群，正常运行时，每个节点都会有3票。当结点A心跳出现故障但节点A还在运行，这时整个集群就会分裂成2个小的partition。节点A是一个，剩下的2个是一个。这是必须剔除一个partition才能保障集群的健康运行。对于有3个节点的集群，A心跳出现问题后，B和C是一个partion，有2票，A只有1票。按照投票算法，B和C组成的集群获得控制权，A被剔除。


观点2：
如果只有2个节点，投票算法就失效了。因为每个节点上都只有1票。这时就需要引入第三个设备：QuorumDevice.QuorumDevice通常采用饿是共享磁盘，这个磁盘也叫作Quorumdisk。这个QuorumDisk也代表一票。当2个结点的心跳出现问题时，2个节点同时去争取QuorumDisk这一票，最早到达的请求被最先满足。故最先获得QuorumDisk的节点就获得2票。另一个节点就会被剔除。“


以上这段文字描述中观点1与我在<OracleRACBrainSplitResolution>一文中提出的看法其实是类似的。这里再列出我的描述:


在脑裂检查阶段ReconfigManager会找出那些没有NetworkHeartbeat而有DiskHeartbeat的节点，并通过NetworkHeartbeat(如果可能的话)和DiskHeartbeat的信息来计算所有竞争子集群(subcluster)内的节点数目，并依据以下2种因素决定哪个子集群应当存活下去:
拥有最多节点数目的子集群(Sub-)
若子集群内数目相等则为拥有最低节点号的子集群(Sub-clusterwithlowestnodenumber)，举例来说在一个2节点的RAC环境中总是1号节点会获胜。
补充：关于我引入的子集群的概念的介绍：


“在解决脑裂的场景中，NM还会监控votingdisk以了解其他的竞争子集群(subclusters)。关于子集群我们有必要介绍一下，试想我们的环境中存在大量的节点，以Oracle官方构建过的128个节点的环境为我们的想象空间，当网络故障发生时存在多种的可能性，一种可能性是全局的网络失败，即128个节点中每个节点都不能互相发生网络心跳，此时会产生多达128个的信息”孤岛”子集群。另一种可能性是局部的网络失败，128个节点中被分成多个部分，每个部分中包含多于一个的节点，这些部分就可以被称作子集群(subclusters)。当出现网络故障时子集群内部的多个节点仍能互相通信传输投票信息(votemesg),但子集群或者孤岛节点之间已经无法通过常规的Interconnect网络交流了，这个时候NMReconfiguration就需要用到votingdisk投票磁盘。”

fromaskmaclean