有n个⾮负整数，将其按照字符串拼接的⽅式拼接为⼀个整数。如何拼接可以使得到的整数最⼤？例：[3,31,34,5,9]，可以拼接出的最⼤整数为"9534330"

前面我们介绍的线性回归、岭回归、Lasso都是线性回归模型，但有些场景下，数据分布并不是简单的线性模型，本节介绍线性回归里一个非常重要的改进方法：多项式回归。

上一篇文章介绍了，保证能用最小二乘法求解线性回归的第一种方案岭回归，本文介绍第二种方法Lasso回归，和岭回归一样，Lasso也是通过正则项，来解决多重共线性问题，不同的是Lasso使用的是系数w的L1范式，乘以正则化系数alpha。

贪心算法（又称贪婪算法）是指，在对问题求解时，总是做出在当前看来最好的选择。也就是说，不从整体最优上考虑，他所做出的是在某种意义上的局部最优解。

之前的文章中，我们介绍了最小二乘法求解多元线性回归问题，可以用最小二乘法求解的条件，就是特征矩阵必须是满秩矩阵。岭回归，就是在线性回归的损失函数上加上了正则项，可以通过对正则化系数alpha进行调节，保证最小二乘法有解。

二叉搜索树是一棵二叉树，且满足如下性质：设x是二叉树的一个节点，如果y是x左子树的一个节点，那么y.key<=x.key; 如果y是x右子树的一个节点，那么y.key>=x.key。

回归类算法的模型评估一直是一个难点，但回归和分类其实是相似的法则，就是找真是标签和预测值的差异，只不过分类算法中，我们只需要判断是否预测了正确的分类，而在回归算法中，需要从是否预测了正确的数值，和是否拟合了足够的信息两个角度来评判回归效果。

如果树中每个节点最多只有两个子节点，这样的树就称为“二叉树”。二叉树的链式存储：将二叉树的节点定义为一个对象，节点之间通过类似链表的链接方式来连接。

哈希表是一个通过函数函数来计算数据存储位置的数据结构，由于哈希表的大小是有限的，而要存储的值的总数是无限的，会存在哈希冲突，本文介绍用拉链法创建哈希表。

前面两篇文章介绍了澳大利亚天气数据集的特征工程，将数据处理到了可以建模的程度，本文介绍SVM建模来做天气预测。同时在线性模型基础上，介绍准确率和召回率的平衡调节方法。

前面文章中，介绍了链表结构的函数方法实现，但函数实现方法在使用上不是很方便，本文介绍一种更完善的面向对象的封装方式，可以通过传参的方式创建链表。

澳大利亚天气预测，是Kaggle上一个非常接近真实场景的数据集，因为其数据结构复杂，前期需要做大量的数据预处理，所以本文先介绍澳大利亚天气数据集的特征工程部分，下节再进行建模分析。

前几天有人在公众号留言，提到一个可转债的思路，想看下转债和正股的涨跌有没有关联，如果转债的走势和正股一致，而且滞后于正股，那我们就可以筛选正股涨的多，而转债还没涨起来的来捡漏。

本文是澳大利亚天气预测项目的前置数据处理环节，在大项目中需要将观测点所在城市转化为气候区域，以方便探究气候区域与天气的关系。

上一篇文章中介绍了常用的模型评估指标，但一个好的模型，往往追求的是多个指标的平衡，而非某一个指标的大小。本文介绍的ROC，可以直观的展示评估效果。

分类任务中，一个模型的好坏，可以有很多评价指标，本文将系统介绍混淆矩阵，和常见的几种评价指标。

上一篇文章，我们介绍了SVM在不同数据集上的表现，本文以乳腺癌数据集为例，对比SVM不同核函数的效果，并通过调参，优化模型效果。

核函数，是SVM中为了能够找到非线性数据的线性决策边界，将数据从原始空间x投射到新空间φ(x)的映射关系，SVM中常用的核函数有linear、poly、sigmoid、rbf。

双链表的每个节点有两个指针：一个指向后一个节点，另一个指向前一个节点。结构比单链表略复杂，但使用上更方便。

支持向量机（SVM），是机器学习中最重要的算法之一，也是除集成算法外，最强的学习器。它能解决有监督、无监督、半监督，分类和回归几乎所有场景。支持向量机，就是通过找出边际最大的决策边界，来对数据进行分类的分类器。