BagofVisualWord(BoW,BoF,词袋)简介BoW是传统的计算机视觉方法，用一些特征（一些向量）来表示一个图像。BoW的核心思想是利用一组较为通用的特征，将图像用这些特征来表示，不同图像对于同一个特征的响应也是不同的，最终一个图像可以转化成关于这一组特征的一个频率直方图（向量）。这里有个挺清晰的介绍。BoW常常用在content-basedimageretrieval(CBIR)任务上。例如下面这张图（来源BrownComputerVision2021）形象的介绍了BoW的，首先有一堆图片，然后提取这些图片中的特征，然后提取具有代表性的通用特征，然后计算不同图像对于这些特征的响应

本题为3月14日23上半学期集训每日一题中B题的题解题面题目描述已知原数列\(a_1,a_2,\cdots,a_n\)中的前1项，前2项，前3项，...，前n项的和，以及后1项，后2项，后3项，...，后n项的和，但是所有的数都被打乱了顺序。此外，我们还知道数列中的数存在于集合S中。试求原数列。当存在多组可能的数列时，求字典序最小的数列。输入第1行，一个整数n。第2行，\(2\timesn\)个整数，注意：数据已被打乱。第3行，一个整数m，表示S集合的大小。第4行，m个整数，表示S集合中的元素。输出输出满足条件的最小数列。样例输入51257791213141441245样例输出11525提示数

本题为3月14日23上半学期集训每日一题中B题的题解题面题目描述已知原数列\(a_1,a_2,\cdots,a_n\)中的前1项，前2项，前3项，...，前n项的和，以及后1项，后2项，后3项，...，后n项的和，但是所有的数都被打乱了顺序。此外，我们还知道数列中的数存在于集合S中。试求原数列。当存在多组可能的数列时，求字典序最小的数列。输入第1行，一个整数n。第2行，\(2\timesn\)个整数，注意：数据已被打乱。第3行，一个整数m，表示S集合的大小。第4行，m个整数，表示S集合中的元素。输出输出满足条件的最小数列。样例输入51257791213141441245样例输出11525提示数

之前写一个作业样本不均衡问题。然后查了很多文章都说要更换评价指标，不能再使用准确率了，要计算F值。我看了一下F值怎么计算，看了挺多文章的，但是感觉说的比较迷惑，或者说法比较拗口。最后还是自己再总结一个。查准率、查全率、F值我们平时对于一个模型预测的准不准，我们最先想到的是用准确率(Accuracy)进行评价。$$A=\frac{true}{total}$$这个虽然常用，但不能满足所有任务的需求。所以我们可以引入查准率和查全率。查准率(Precision)：某一分类你预测对了多少个。$P=\frac{预测对的某一类}{你预测的某一类}$查全率(Recall)：某一分类你预测出来多少个。$R=\f

之前写一个作业样本不均衡问题。然后查了很多文章都说要更换评价指标，不能再使用准确率了，要计算F值。我看了一下F值怎么计算，看了挺多文章的，但是感觉说的比较迷惑，或者说法比较拗口。最后还是自己再总结一个。查准率、查全率、F值我们平时对于一个模型预测的准不准，我们最先想到的是用准确率(Accuracy)进行评价。$$A=\frac{true}{total}$$这个虽然常用，但不能满足所有任务的需求。所以我们可以引入查准率和查全率。查准率(Precision)：某一分类你预测对了多少个。$P=\frac{预测对的某一类}{你预测的某一类}$查全率(Recall)：某一分类你预测出来多少个。$R=\f