您当前的位置：首页 > 电脑百科 > 程序开发 > 算法

8个核心回归算法总结！！

时间：2023-09-13 12:15:02 来源：微信公众号作者：深夜努力写Python

+ 加入收藏

关于回归算法的总结，我见到过的有简单的，也有特别详细的。百花齐放，各有优略！

今天总结了关于回归算法的方方面面，涉及到原理的解释、入门代码等等。

总的来说，回归算法是一类用于预测连续数值输出的监督学习算法。

根据输入特征预测一个或多个目标变量。

回归算法有多个分支和变种，每个分支都有其独特的优缺点。

今天要说的有8个部分，大家伙请看~

线性回归
多项式回归
岭回归
Lasso回归
弹性网络回归
逻辑斯蒂回归
决策树回归
随机森林回归

大家伙如果觉得还不错！可以点赞、转发安排起来，让更多的朋友看到。

另外，可能涉及到的数据集，可以点击上面名片，回复“数据集”获取！

一起来看看吧~

线性回归（Linear Regression）

首先，线性回归（Linear Regression）是一种用于建立连续数值输出与一个或多个输入特征之间关系的监督学习算法。

它假设输出与输入特征之间存在线性关系，即可以用一条直线来拟合数据。

线性回归的目标是找到一条最佳拟合直线，以最小化预测值与真实值之间的误差。

简单线性回归：

多元线性回归：

其中：

是预测的目标变量。
是输入特征。
是斜率（简单线性回归中）或权重（多元线性回归中）。
是截距。
是多元线性回归中的权重。

下面是一个简单的案例，随机生成的数据来演示：

import numpy as np
import matplotlib.pyplot as plt
from sklearn.linear_model import LinearRegression

# 生成随机数据
np.random.seed(0)
X = np.random.rand(100, 1) # 输入特征
y = 2 * X + 1 + 0.1 * np.random.randn(100, 1) # 生成输出数据，带有一些噪声

# 创建线性回归模型
model = LinearRegression()

# 拟合模型
model.fit(X, y)

# 预测
y_pred = model.predict(X)

# 绘制原始数据和拟合直线
plt.scatter(X, y, label='Original Data')
plt.plot(X, y_pred, color='red', linewidth=3, label='Fitted Line')
plt.xlabel('X')
plt.ylabel('y')
plt.legend()
plt.title('Linear Regression Example')
plt.show()

上面案例中，使用LinearRegression模型拟合数据，并绘制了原始数据和拟合直线的可视化图表。

实际情况下，可以根据自己的需求修改输入数据和模型来适应不同的案例。

多项式回归（Polynomial Regression）

多项式回归是一种回归分析方法，它通过使用多项式函数来拟合数据，而不仅仅是线性函数。

多项式回归通常用于处理数据与因变量之间的非线性关系，这种关系不能用线性回归来准确建模。

多项式回归的一般形式可以表示为：

其中，是因变量，是自变量，是模型参数，是多项式的阶数，是误差项。

下面展示如何进行多项式回归，包括数据生成、拟合模型以及可视化。

import numpy as np
import matplotlib.pyplot as plt
from sklearn.preprocessing import PolynomialFeatures
from sklearn.linear_model import LinearRegression

# 生成随机数据
np.random.seed(0)
X = np.sort(5 * np.random.rand(80, 1), axis=0)
y = np.cos(X).ravel() + np.random.randn(80) * 0.1

# 使用多项式特征扩展
poly = PolynomialFeatures(degree=4) # 选择多项式的阶数
X_poly = poly.fit_transform(X)

# 创建线性回归模型
model = LinearRegression()
model.fit(X_poly, y)

# 预测
X_test = np.linspace(0, 5, 100)[:, np.newaxis]
X_test_poly = poly.transform(X_test)
y_pred = model.predict(X_test_poly)

# 绘制原始数据和拟合曲线
plt.scatter(X, y, label='Original Data')
plt.plot(X_test, y_pred, label='Polynomial Regression', color='r')
plt.xlabel('X')
plt.ylabel('Y')
plt.legend()
plt.title('Polynomial Regression Example')
plt.show()

在这个示例中，首先生成了一组随机的数据点，然后使用四次多项式来拟合这些数据。

拟合后，我们绘制了原始数据点和拟合曲线的可视化图表。

你可以根据自己的数据和需求，修改多项式的阶数和其他参数来进行多项式回归分析，以更好地拟合你的数据。

岭回归（Ridge Regression）

岭回归（Ridge Regression）是一种线性回归的改进方法，用于解决多重共线性（multicollinearity）问题，即自变量之间存在高度相关性的情况。

在多重共线性存在时，传统的线性回归模型可能会导致参数估计不稳定，岭回归通过引入正则化项来解决这个问题。

岭回归的目标函数如下所示：

其中：

是因变量（目标变量）的观测值。
是模型的参数，其中是截距，是自变量的系数。
是第个观测值的第个自变量的值。
是岭回归的超参数，用于控制正则化的强度。

首先，我们生成一个模拟的数据集，以便演示岭回归的效果，并使用matplotlib库进行可视化。

import numpy as np
import matplotlib.pyplot as plt
from sklearn.linear_model import Ridge
from sklearn.preprocessing import StandardScaler
from sklearn.model_selection import trAIn_test_split

# 生成模拟数据集
np.random.seed(0)
n_samples, n_features = 200, 5
X = np.random.randn(n_samples, n_features)
true_coefficients = np.array([4, 2, 0, 0, -1])
y = X.dot(true_coefficients) + np.random.randn(n_samples) * 1.0

# 将数据集分为训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

# 使用岭回归拟合数据
alpha = 1.0 # 正则化强度参数
ridge = Ridge(alpha=alpha)
ridge.fit(X_train, y_train)

# 输出岭回归模型的系数
print("Ridge Regression Coefficients:", ridge.coef_)

# 计算模型在测试集上的R^2分数
r_squared = ridge.score(X_test, y_test)
print("R-squared:", r_squared)

# 绘制实际值和预测值的散点图
plt.scatter(y_test, ridge.predict(X_test))
plt.xlabel("Actual Values")
plt.ylabel("Predicted Values")
plt.title("Ridge Regression: Actual vs. Predicted")
plt.show()

这个示例演示了如何使用岭回归来处理多重共线性问题，并可视化实际值与预测值之间的关系。

要注意的是，可以调整超参数alpha的值以控制正则化的强度。

Lasso回归（Lasso Regression）

Lasso回归（Least Absolute Shrinkage and Selection Operator Regression）是一种线性回归的变体，它用于数据特征选择和降维。

与普通线性回归不同，Lasso回归通过对系数进行正则化来惩罚模型中的不重要的特征，以促使模型选择更少的特征，从而提高模型的泛化能力。

正则化通过在损失函数中添加系数的绝对值之和来实现，这迫使一些系数变为零，从而实现特征选择的效果。

Lasso回归的损失函数如下所示：

其中:

是样本数
是观测到的目标值
是模型预测的目标值
是特征的数量
是特征的系数
是正则化参数，控制着正则化的强度。较大的值将导致更多的特征系数为零。

以下是一个Python/ target=_blank class=infotextkey>Python案例，演示如何使用Lasso回归拟合一个数据集并可视化结果。我们将使用一个合成的数据集来说明，该数据集包含两个特征和一个目标变量。

import numpy as np
import matplotlib.pyplot as plt
from sklearn.datasets import make_regression
from sklearn.linear_model import Lasso
from sklearn.model_selection import train_test_split
from sklearn.metrics import mean_squared_error

# 生成合成数据集
X, y = make_regression(n_samples=100, n_features=2, noise=0.5, random_state=42)

# 将数据集分为训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

# 创建Lasso回归模型
alpha = 1.0 # 正则化参数
lasso = Lasso(alpha=alpha)

# 拟合模型
lasso.fit(X_train, y_train)

# 预测测试集
y_pred = lasso.predict(X_test)

# 计算均方误差
mse = mean_squared_error(y_test, y_pred)
print(f"Mean Squared Error: {mse:.2f}")

# 绘制特征系数
plt.figure(figsize=(10, 5))
plt.subplot(1, 2, 1)
plt.scatter(X[:, 0], y, label='Feature 1')
plt.scatter(X[:, 1], y, label='Feature 2')
plt.xlabel('Features')
plt.ylabel('Target')
plt.title('Original Data')
plt.legend()

plt.subplot(1, 2, 2)
plt.bar(['Feature 1', 'Feature 2'], lasso.coef_)
plt.xlabel('Features')
plt.ylabel('Coefficient Value')
plt.title('Lasso Coefficients')
plt.show()

上述代码演示了如何使用Lasso回归对合成数据集进行建模，并且展示了特征系数的可视化。

实际情况中，可以根据自己的数据集和需求调整代码来使用Lasso回归进行特征选择和建模。

弹性网络回归（Elastic.NET Regression）

弹性网络回归（Elastic Net Regression）是一种用于处理回归问题的线性模型，它结合了L1正则化（Lasso正则化）和L2正则化（Ridge正则化）的特性，以解决特征选择和过拟合问题。

它的损失函数由两部分组成，一部分是均方误差（Mean Squared Error，MSE），另一部分是L1和L2正则化项的组合。

公式如下：

其中：

是均方误差，用来衡量模型预测值与实际值之间的差距。
λ（）是正则化参数，用于控制正则化的强度。
是L1正则化的项，它是模型系数的绝对值之和。
是L2正则化的项，它是模型系数的平方和。
α（）是一个介于0和1之间的参数，用于权衡L1和L2正则化的贡献。当α时，模型等同于Ridge回归，当α时，模型等同于Lasso回归。

下面案例演示如何使用弹性网络回归处理一个数据集，并绘制可视化图表。

同样的也是使用一个自动生成的示例数据集。

import numpy as np
import matplotlib.pyplot as plt
from sklearn.linear_model import ElasticNet
from sklearn.datasets import make_regression

# 生成示例数据集
X, y = make_regression(n_samples=100, n_features=1, noise=10, random_state=42)

# 创建弹性网络回归模型
elastic_net = ElasticNet(alpha=0.5, l1_ratio=0.5, random_state=42)

# 拟合模型
elastic_net.fit(X, y)

# 预测
y_pred = elastic_net.predict(X)

# 绘制原始数据和拟合线
plt.scatter(X, y, label='Actual Data', color='b')
plt.plot(X, y_pred, label='Elastic Net Regression', color='r')
plt.xlabel('X')
plt.ylabel('y')
plt.legend()
plt.title('Elastic Net Regression')
plt.show()

# 打印模型系数
print("Elastic Net Coefficients:")
print("Intercept:", elastic_net.intercept_)
print("Coefficient:", elastic_net.coef_)

在这个案例中，我们首先生成了一个简单的示例数据集，然后创建了一个弹性网络回归模型，拟合数据并进行了预测。

Elastic Net Coefficients:
Intercept: 0.05906898426354079
Coefficient: [33.78639071]

最后，我们使用Matplotlib绘制了原始数据和拟合线的可视化图表，并打印了模型的系数。

你可以根据自己的需求和数据集来调整正则化参数α和λ以及数据集的大小以获得更好的效果和可视化。

逻辑斯蒂回归（Logistic Regression）

逻辑斯蒂回归（Logistic Regression）是一种用于分类问题的统计学习方法。

通过建立一个逻辑斯蒂函数（也称为S型函数）来预测二分类问题中的概率。

逻辑斯蒂函数将输入值映射到0和1之间的概率值，通常用于估计某个事件发生的概率。

数学表达式：

其中：

是观测到类别1的概率。
是输入特征向量。
是特征权重向量。
是偏置项。
是自然对数的底数。

通过训练，我们可以找到最佳的权重和偏置项来最大程度地拟合训练数据，从而用于分类新的数据点。

以下演示如何使用逻辑斯蒂回归进行分类，并使用可视化图表展示结果。

import numpy as np
import matplotlib.pyplot as plt
from sklearn.datasets import make_classification
from sklearn.linear_model import LogisticRegression
from sklearn.model_selection import train_test_split
from sklearn.metrics import accuracy_score, confusion_matrix
from sklearn.preprocessing import StandardScaler

# 生成模拟数据
X, y = make_classification(n_samples=1000, n_features=2, n_classes=2, n_clusters_per_class=1, n_redundant=0, random_state=42)

# 数据标准化
scaler = StandardScaler()
X = scaler.fit_transform(X)

# 划分训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

# 训练逻辑斯蒂回归模型
model = LogisticRegression()
model.fit(X_train, y_train)

# 预测
y_pred = model.predict(X_test)

# 计算准确率
accuracy = accuracy_score(y_test, y_pred)
print(f'Accuracy: {accuracy:.2f}')

# 绘制决策边界和数据点
xx, yy = np.meshgrid(np.linspace(X[:, 0].min() - 1, X[:, 0].max() + 1, 100),
np.linspace(X[:, 1].min() - 1, X[:, 1].max() + 1, 100))
Z = model.predict(np.c_[xx.ravel(), yy.ravel()])
Z = Z.reshape(xx.shape)

plt.contourf(xx, yy, Z, cmap=plt.cm.RdBu, alpha=0.8)
plt.scatter(X[:, 0], X[:, 1], c=y, cmap=plt.cm.RdBu, marker='o')
plt.xlabel('Feature 1')
plt.ylabel('Feature 2')
plt.title('Logistic Regression Decision Boundary')
plt.show()

这个示例生成了一个模拟的二分类数据集，并使用逻辑斯蒂回归模型进行训练和预测。

最后，通过绘制决策边界和数据点的可视化图表来展示模型的分类效果。

决策树回归（Decision Tree Regression）

决策树回归（Decision Tree Regression）是一种用于预测连续型目标变量的机器学习方法。

与分类决策树不同，决策树回归的目标是通过构建树状结构来拟合数据，以便对连续值的输出进行预测。

决策树回归的主要思想是将数据集分割成不同的子集，然后在每个子集上拟合一个简单的线性模型（通常是均值），最终形成一个树状结构，使得每个叶节点都包含一个用于预测的数值。

以下展示如何使用决策树回归来预测房屋价格的案例。

使用sklearn库进行建模和可视化。

import numpy as np
import matplotlib.pyplot as plt
from sklearn.tree import DecisionTreeRegressor

# 创建一个模拟数据集
np.random.seed(0)
X = np.sort(5 * np.random.rand(80, 1), axis=0)
y = np.sin(X).ravel() + np.random.normal(0, 0.1, X.shape[0])

# 训练决策树回归模型
regressor = DecisionTreeRegressor(max_depth=5)
regressor.fit(X, y)

# 生成预测结果
X_test = np.arange(0.0, 5.0, 0.01)[:, np.newaxis]
y_pred = regressor.predict(X_test)

# 绘制原始数据和决策树回归结果
plt.figure()
plt.scatter(X, y, s=20, edgecolor="black", c="darkorange", label="data")
plt.plot(X_test, y_pred, color="cornflowerblue", linewidth=2, label="prediction")
plt.xlabel("data")
plt.ylabel("target")
plt.title("Decision Tree Regression")
plt.legend()
plt.show()

上面案例中，我们首先生成了一个模拟数据集，然后使用决策树回归模型对数据进行拟合，并生成了预测结果的可视化图表。

这个图表展示了原始数据点和决策树回归模型的拟合曲线。

你可以根据实际情况替换数据集和调整模型的参数来适应不同的案例。这个案例提供了一个简单的起点，帮助大家了解如何使用决策树回归来解决回归问题，并可视化结果。

随机森林回归（Random Forest Regression）

随机森林回归（Random Forest Regression）是一种集成学习方法，用于解决回归问题。

基于多个决策树构建，通过组合这些树的预测结果来提高模型的性能和稳定性。

随机森林回归简要介绍：

随机性：随机森林采用随机抽样技术，从训练数据中随机选择样本，并在每个决策树的节点上随机选择特征，以降低过拟合的风险。
集成：多个决策树的预测结果被组合，通常采用平均值（对于回归问题）或投票（对于分类问题）来生成最终的预测结果，这有助于降低模型的方差。
特征选择：在构建每个决策树时，随机森林只考虑特征的随机子集，从而增加了模型的多样性。
鲁棒性：由于随机森林由多个决策树组成，它对于噪声和异常值的鲁棒性较高，可以提供更稳定的预测。

随机森林回归的公式与上述提到的相同，即预测值是多个决策树预测结果的平均值。

假设我们有一个回归问题，其中我们希望预测目标变量，并且我们有一个包含个样本的训练数据集，其中每个样本有个特征。

目标是使用随机森林回归来预测目标变量。

随机森林回归的预测值可以通过多个决策树的预测结果的平均值来计算：

其中：

是随机森林中的决策树数量。
是第个决策树的预测值。

这个公式表示随机森林回归的最终预测是多个决策树预测的平均值。由于随机性和多样性，随机森林通常能够提供较稳定和准确的回归预测。

下面，将使用随机森林回归来预测气温。

import numpy as np
import matplotlib.pyplot as plt
from sklearn.ensemble import RandomForestRegressor
from sklearn.metrics import mean_squared_error

# 创建一个示例数据集
np.random.seed(0)
X = np.sort(5 * np.random.rand(80, 1), axis=0)
y = np.sin(X).ravel() + np.random.rand(80)

# 创建随机森林回归模型
rf_regressor = RandomForestRegressor(n_estimators=100, random_state=42)

# 训练模型
rf_regressor.fit(X, y)

# 预测
X_test = np.arange(0.0, 5.0, 0.01)[:, np.newaxis]
y_pred = rf_regressor.predict(X_test)

# 计算均方误差
mse = mean_squared_error(y, rf_regressor.predict(X))
print("Mean Squared Error:", mse)

# 绘制真实值和预测值的可视化图表
plt.figure(figsize=(10, 6))
plt.scatter(X, y, s=20, edgecolor="black", c="darkorange", label="data")
plt.plot(X_test, y_pred, color="cornflowerblue", linewidth=2, label="prediction")
plt.xlabel("data")
plt.ylabel("target")
plt.title("Random Forest Regression")
plt.legend()
plt.show()

这个示例使用随机森林回归模型来拟合一个带有噪声的正弦曲线，并绘制出真实值和模型预测值的可视化图表，以及均方误差（Mean Squared Error）作为性能指标。

最后

今天介绍了8个机器学习中回归类算法的总结，以及不同情况使用的特征。

另外，更多展现方式以及使用技巧可以从官方文档获取以及实战中领略！

喜欢的朋友可以收藏、点赞、转发起来！

关注本号，带来更多干货实例，提升工作学习效率！

Tags：回归算法点击:() 评论:()

声明：本站部分内容及图片来自互联网,转载是出于传递更多信息之目的,内容观点仅代表作者本人,不构成投资建议。投资者据此操作，风险自担。如有任何标注错误或版权侵犯请与我们联系，我们将及时更正、删除。

▌相关推荐

逻辑回归算法

逻辑回归（Logistic Regression）是一种广义的线性回归分析模型，常用于数据挖掘、疾病自动诊断、经济预测等领域。它根据给定的自变量数据集来估计事件的发生概率。变量的范围在0...【详细内容】

2023-09-25　　Search: 回归算法点击:(310)　　评论:(0)　　加入收藏

8个核心回归算法总结！！

关于回归算法的总结，我见到过的有简单的，也有特别详细的。百花齐放，各有优略！今天总结了关于回归算法的方方面面，涉及到原理的解释、入门代码等等。总的来说，回归算法是一类用于预...【详细内容】

2023-09-13　　Search: 回归算法点击:(455)　　评论:(0)　　加入收藏

最详细的回归算法介绍，一遍就能看懂

Regression：Case Study回归-案例研究问题的导入：预测宝可梦的CP值Estimating the Combat Power(CP) of a pokemon after evolution我们期望根据已有的宝可梦进化前后的信息，来...【详细内容】

2020-08-06　　Search: 回归算法点击:(454)　　评论:(0)　　加入收藏

出场率No.1的逻辑回归算法，是怎样“炼成”的？

0x00 前言逻辑回归（Logistic Regression，LR）。在Kaggle竞赛的统计中，LR算法以63.5%的出产率，荣获各领域中“出场率最高的算法”这一殊荣。在实际场景中，逻辑回归同样应用广泛，大到...【详细内容】

2019-12-11　　Search: 回归算法点击:(447)　　评论:(0)　　加入收藏

一文看懂逻辑回归算法（基本概念+优缺点+美团应用案例）

本文将通俗易懂的介绍逻辑回归的基本概念、优缺点和实际应用的案例。同时会跟线性回归做一些比较，让大家能够有效的区分 2 种不同的算法。什么是逻辑回归？线性回归的位置如...【详细内容】

2019-09-06　　Search: 回归算法点击:(860)　　评论:(0)　　加入收藏

▌简易百科推荐

小红书、视频号、抖音流量算法解析，干货满满，值得一看！

咱们中国现在可不是一般的牛！网上的网友已经破了十个亿啦！到了这个互联网的新时代，谁有更多的人流量，谁就能赢得更多的掌声哦~抖音、小红书、、视频号，是很多品牌必争的流量洼地...【详细内容】

2024-02-23　　二手车小胖说　　　　Tags:流量算法　点击:(12)　　评论:(0)　　加入收藏

雪花算法详解与Java实现：分布式唯一ID生成原理

SnowFlake 算法，是 Twitter 开源的分布式 ID 生成算法。其核心思想就是：使用一个 64 bit 的 long 型的数字作为全局唯一 ID。在分布式系统中的应用十分广泛，且 ID 引入了时间戳...【详细内容】

2024-02-03　　一安未来　　微信公众号　　Tags:雪花算法　点击:(50)　　评论:(0)　　加入收藏

程序开发中常用的十种算法，你用过几种？

当编写程序时，了解和使用不同的算法对解决问题至关重要。以下是C#中常用的10种算法，每个算法都伴随着示例代码和详细说明。1. 冒泡排序 (Bubble Sort):冒泡排序是一种简单的比...【详细内容】

2024-01-17　　架构师老卢　　今日头条　　Tags:算法　点击:(44)　　评论:(0)　　加入收藏

百度推荐排序技术的思考与实践

本文将分享百度在推荐排序方面的思考与实践。在整个工业界的推广搜场景上，特征设计通常都是采用离散化的设计，需要保证两方面的效果，一方面是记忆，另一方面是泛化。特征都是通过...【详细内容】

2024-01-09　　DataFunTalk　　微信公众号　　Tags:百度推荐　点击:(73)　　评论:(0)　　加入收藏

什么是布隆过滤器？如何实现布隆过滤器？

以下我们介绍了什么是布隆过滤器？它的使用场景和执行流程，以及在 Redis 中它的使用，那么问题来了，在日常开发中，也就是在 Java 开发中，我们又将如何操作布隆过滤器呢？布隆过滤器（Blo...【详细内容】

2024-01-05　　Java中文社群　　微信公众号　　Tags:布隆过滤器　点击:(87)　　评论:(0)　　加入收藏

面向推荐系统的深度强化学习算法研究与应用

随着互联网的快速发展，推荐系统在各个领域中扮演着重要的角色。传统的推荐算法在面对大规模、复杂的数据时存在一定的局限性。为了解决这一问题，深度强化学习算法应运而生。本...【详细内容】

2024-01-04　　数码小风向　　　　Tags:算法　点击:(89)　　评论:(0)　　加入收藏

非负矩阵分解算法：从非负数据中提取主题、特征等信息

非负矩阵分解算法（Non-negativeMatrixFactorization，简称NMF）是一种常用的数据分析和特征提取方法，主要用于从非负数据中提取主题、特征等有意义的信息。本文将介绍非负矩阵分解...【详细内容】

2024-01-02　　毛晓峰　　　　Tags:算法　点击:(62)　　评论:(0)　　加入收藏

再谈前端算法，你这回明白了吗？

楔子 -- 青蛙跳台阶一只青蛙一次可以跳上一级台阶，也可以跳上二级台阶，求该青蛙跳上一个n级的台阶总共需要多少种跳法。分析: 当n=1的时候，①只需要跳一次即可；只有一种跳法，即f(...【详细内容】

2023-12-28　　前端爱好者　　微信公众号　　Tags:前端算法　点击:(107)　　评论:(0)　　加入收藏

三分钟学习二分查找

二分查找是一种在有序数组中查找元素的算法，通过不断将搜索区域分成两半来实现。你可能在日常生活中已经不知不觉地使用了大脑里的二分查找。最常见的例子是在字典中查找一个...【详细内容】

2023-12-22　　小技术君　　微信公众号　　Tags:二分查找　点击:(78)　　评论:(0)　　加入收藏

强化学习算法在资源调度与优化中的应用

随着云计算和大数据技术的快速发展，资源调度与优化成为了现代计算系统中的重要问题。传统的资源调度算法往往基于静态规则或启发式方法，无法适应动态变化的环境和复杂的任务需...【详细内容】

2023-12-14　　职场小达人欢晓　　　　Tags:算法　点击:(164)　　评论:(0)　　加入收藏

推荐资讯

在饭局上喝酒，要学会3	汽车不停能开多少公里
三证齐全，中国“飞的”	小米SU7被大卸八块，雷
视频号，从抖音挖来一个	0首付、0利息！多家车企
真正0首付、0利息来了	微信共享位置怎么换地