今天来介绍经典算法中的回溯算法，这类算法是一种弱枚举（这里大家千万不要认为枚举很low，很多问题能够枚举出来还是万幸的）的算法，一般如果代码实现十分简单，但是真的思考出来还是有些难度的，因为一般使用递归实现，所以代码十分简洁，但是执行过程会让你十分痛苦，你即使在项目中打上断点追踪，最后很快就追丢了。所以本节咱们来列举几个经典问题，然后详细介绍一下这类问题的解决办法。组合给定两个整数 n 和 k，返

动态规划这东西呀，还是需要多多练习的。数字 n 代表生成括号的对数，请你设计一个函数，用于能够生成所有可能的并且 有效的 括号组合。 当 n=3的时候，输出是这个样子的out=["((()))","(()())","(())()","()(())","()()(

之前我们讲了很多xgboost的特性用法等等，接下来我们需要回答的一个问题是xgboost能够与其他模型融合吗？怎么融合？xgboost和DNN模型融合当我们使用xgboost的时候经常会发现，很多场景下我们只用xgboost模型的效果就能够达到一个最佳的效果，使用深度神经网络反而没有xgboost的效果好，这个经常让我们十分头疼，我想做点更nb的东西逻辑就这么难吗？其实个人认为xgboost效果

RankNet是一种pairwise的排序方法，它将排序问题转换为比较$<d_{i},d_{j}>$对的排序概率问题，即比较$d_{i}$排在$d_{j}$前面的概率。RankNet提出了一种概率损失函数来学习排序模型，并通过排序模型对文档进行排序。这里的排序模型可以是任意对参数可微的模型，如增强树、神经网络等。

xgboost是非常常用的机器学习框架，本章我们仅仅从应用角度来讲，xgboost到底能干什么，通过其他文章我们再了解它是怎么做的，这个也比较符合我们的认知过程，能干什么和怎么干。二分类问题84,051

由前述内容可知，XGBoost是由多棵决策树（即CART回归树）构成的，那么多棵决策树是如何协作的呢？此时便用到了Boosting技术。Boosting的基本思想是将多个弱学习器通过一定的方法整合为一个强学习器。在分类问题中，虽然每个弱分类器对全局的预测准确率不高，但可能对数据某一方面的预测准确率非常高，将很多局部预测准确率非常高的弱分类器进行组合，即可达到全局预测准确率高的强分类器的效果。Ada

最近因为工作原因，需要重新回顾xgboost，原来我个人也仅仅限制于使用，没有过多总结，借着这次机会，正好回顾一下这款神器。提到xgboost就必须要提一下cart树，这个是xgboost的基本组成单元。cart树之前微博中提到决策树，可能包括ID3和cs4.5这些算法，其实cart树和这些算法没有什么本质的区别，都是找到一些分割点，然后构建决策树，这里我们主要介绍一下cart的细节，其实这个也是

引言在地理信息中，我们经常要做一个范围搜索，这个往往也是性能的瓶颈，今天我们就来介绍基于geohash的临近搜索。geohash首先我们来介绍什么是geohash，geohash简单来说是一种地理编码，就是你给我输入一个经纬度，我给你一个字符串编码。我们可以简单思考一下，如果让你做范围搜索，你怎么来

大家可能都会遇到这样的问题，python版本升级的问题，这个问题也是比较头疼，对于我这种深度强迫症患者，在不知情的情况下安装了n多版本，也不知道怎么清理，简直让人不能容忍。下面我们来介绍如何升级你服务器上的python呢？下载相应版本的pythonwgethttps://www.python.org

交替方向乘子法本文是继拉格朗日乘子以后有一个讲优化算法，建议先读完拉格朗日乘子然后阅读本文效果更佳。首先我们来考虑以下什么是优化问题，它的数学表达是怎么样的，如果阅读了上面这个博客，你能很好的回答的这个问题，最简单的表达实际上就是。$$min_x=f(x)$$其中$x$是优化变量，也就是可以改变的数值，通过调节$x$的大小，使得目标函数$f(x)$的数值达到最小。实际上对于上面的表达式，$min_