- 综合排序
- 最热优先
- 最新优先
- 来自专栏算法进阶
10个解释AI决策的Python库
本文整理了10个常用于可解释AI的Python库，方便我们更好的理解AI模型的决策。 什么是XAI？ XAI（Explainable AI）的目标是为模型的行为和决策提供合理的解释，这有助于增加信任、提供问责制和模型决策的透明度。 它提供了以下机器学习框架和包的支持: scikit-learn：ELI5可以解释scikit-learn线性分类器和回归器的权重和预测，可以将决策树打印为文本或SVG，显示特征的重要性，并解释决策树和基于树集成的预测 通过摘要来理解模型提出的决策。该项目由MAIF数据科学家开发。Shapash主要通过一组出色的可视化来解释模型。 # The created TabularExplainer for what if analysis ) dashboard.show() 10
62510编辑于 2023-11-30 - 来自专栏wuuconix
实验室机器安装Windows 10记录 - wuuconixs blog
背景 昨天将实验室的主机重装成win10了。现在我就是在实验室远程连接寝室的笔记本来写博客。 在配置好远程连接并且深刻体会到远程带来的方便与快捷后，我已经离不开它了。 进入实验室也快半年了，就没来过几次2333，我觉得很大部分原因是，每次来实验室都要备上沉重的笔记本。 有时候突然想要去实验室了，但是想到要拿笔记本，拿充电器，拿键盘，拿鼠标，背着沉重的包走过来。 于是昨天我打算把用了快3个月的Ubuntu Server刷成win10，这样就能不用带笔记本了，而远程连接。或者不远程，直接用实验室的主机也能干很多事了。 https://www.microsoft.com/zh-cn/software-download/windows10 结果发现狗比微软官网只提供了下载工具而没有直接下载iso镜像的选项。 这里提供了两个选择，windows 10和windows 家庭版。第一个我怀疑是专业版。但是为了保险起见，我选择了熟悉的家庭版。 之后就是正常u盘启动然后重装啦，不多说了。
93130编辑于 2023-01-30 - 来自专栏一个会写诗的程序员的博客
战略决策 , 战术决策 与 业务决策
按决策的范围和决策的重要性划分，可以分为战略决策、战术决策、业务决策。 战略决策是解决全局性、长远性、战略性的重大决策问题的决策。 战术决策又称管理决策，是为了实现战略决策、解决某一问题所做出的决策，以战略决策规定的目标为决策标准。如医院住院流程设计、医院人员的招聘与工资水平等决策。 决策的分类 1、按决策范围分为 战略决策、战术决策和业务决策； 2、按决策性质分为程序化决策和非程序化决策； 3、按决策主体分为个人决策和群体决策； 4、按决策问题的可控程度分为确定型决策、不确定型决策和风险型决策 决策问题分类 确定型、非确定型、风险型 决策问题通常分确定型、非确定型、风险型三种。 由于决策问题的性质不同，群体决策与个人决策的差异及决策人个人的风格不同，其决策的时间和决策的方法也不相同。 战术决策：为了实现战略决策、解决某一问题做出的决策，以战略决策规定的目标为决策标准。 战略决策是关系企业全局和长远发展的重大问题的决策。是非程序化的、带有风险性的决策。
4.2K20发布于 2020-04-01 - 来自专栏新智元
【Hinton实验室探访】Capsule后最新研究，用软决策树更好理解DNN分类
来源：NYT，arXiv 编译：闻菲、刘小芹 【新智元导读】《纽约时报》今日发文，记者走访Hinton在多伦多的实验室，为我们带来Hinton新作“Capsule Network”的更多信息。 在CIFAR10数据集上的表现还可以继续提升，也是很值得期待的。胶囊网络需要较少的训练数据。它提供等变映射，这意味着位置和姿态信息得以保存。这在图像分割和目标检测领域是非常有前景的。 今天《纽约时报》发表了一篇文章，NYT记者走访了Hinton在多伦多的实验室，采访了Hinton和《Dynamic Routing Between Capsules》论文的一作Sara Sabour，阐释了 相比之下，决策树如何做分类就很好理解，因为每个决策序列相对较短，而且每个决策都直接基于输入数据。但是，决策树往往无法像神经网络那样泛化。 现在他们已经得到一个模型，这个模型做出的决策是可解释的。 ? 软决策树如何进行分类：MNIST上训练的深度为4的软决策树的可视化图。
98750发布于 2018-03-21 - 来自专栏机器之心
达摩院决策智能实验室杨超：Safe RL介绍及在电网调度中的应用
机器之心报道 机器之心编辑部 5 月 24 日，在机器之心举办的「决策智能产业应用」在线圆桌论坛上，阿里巴巴达摩院决策智能实验室的杨超发表了主题演讲《Safe RL 介绍及在电网调度中的应用》。 大家好，我是来自阿里巴巴达摩院决策智能实验室的杨超，今天主要分享一下 Safe RL，也就是安全强化学习的内容，及其在电网调度中的应用。 最后我介绍一下我们实验室，负责人是印卧涛老师，全球 top 1% 高被引数学家，获得过 NSF CAREER 奖、斯隆研究奖、晨兴应用数学金奖、达摩奖、Egon Balas 奖等。 我们实验室致力于机器学习、数学优化、时序分析与预测等多种决策技术的研究与创新，构建智能决策系统、 提升业务运营效率、降低运营成本 。 目前我们已取得的成果包括优化求解器 MindOpt，多次获得国际权威榜单第一名；实验室拥有多篇顶会论文，并获多项国内外比赛冠军。
1.7K20编辑于 2022-06-07 决策引擎中的敏捷决策平台
现在是时候缩小差距，为供应链领导者提供敏捷的决策能力了。高管敏捷决策平台的关键属性，以最大限度地提高供应链绩效。高管们面临巨大压力，需要快速做出数据驱动的决策，这些决策会影响整个组织，包括供应链。 所以，现在是时候重新思考如何支持高管决策，以提高供应链绩效。这意味着要接受为高管提供专用供应链决策平台的概念。可能和需要的是一个敏捷决策平台，它让企业领导者能快速执行决策以优化供应链绩效。 下面，我们会介绍专用于执行层决策的敏捷决策平台的理想属性。这些软件属性包括有针对性的数据收集、敏捷决策智能、用于决策周期的高管级UI、基于决策的快速通信以及决策可追溯性。 此外，敏捷决策平台需要促进信息收集过程，收集有针对性的相关信息，以支持及时、明智的决策。以下是快速收集决策所需信息的五步流程。 d.快速决策沟通。面向高管的敏捷决策平台也需要促进协作决策。
25810编辑于 2025-09-18敏捷决策
1.新兴技术使企业高管能够快速做出更好的决策 当今的信息技术使决策者能够即时接收数据，从而更快、更高效地做出决策。 这意味着要接受为高管提供专用供应链决策平台的概念。可能和需要的是一个敏捷决策平台，它使企业领导者能够快速执行决策以优化供应链绩效。下面，我们将介绍专用于执行层决策的敏捷决策平台的理想属性。 这些软件属性包括有针对性的数据收集、敏捷决策智能、用于决策周期的高管级UI、基于决策的快速通信以及决策可追溯性。a.有针对性的数据收集：专注于及时性和特定决策要求的决策。 d.快速决策沟通。 面向高管的敏捷决策平台也需要促进协作决策。此外，它需要支持在整个供应链和组织内部有效地传递决策。 此外，它需要记录决策团队何时拒绝系统建议，并识别因未选择特定行动方案而导致的错失机会。具体来说，决策可追溯性的目标是记录决策是什么、预期结果以及谁做出了决策。
22100编辑于 2025-07-23- 来自专栏挖掘大数据
大数据应用：10大行业应用痛点及解决策略
本文分析10个使用大数据的垂直行业，这些行业面临的挑战以及大数据如何解决这些问题。 1. 金融市场的零售商，大银行，对冲基金和其他所谓的“大男孩”使用大数据进行高频交易，交易前决策支持分析，情绪测量，预测分析等方面的交易分析。 其他与大数据相关的挑战包括：将患者排除在决策过程之外，以及使用来自不同渠道的容易获得的传感器的数据。 以色列贝斯的一些医院正在使用数百万病人从手机应用收集的数据，让医生可以使用循证医学，而不是像传统医院一样，对病人进行医疗/实验室检测。有些测试是有效的，但大部分是昂贵的并且通常是低效的。 用于分析快速有效地处理医疗信息，以加快决策速度，并检测可疑或欺诈性声明。 食品和药物管理局(FDA)正在使用大量数据来检测和研究食物相关疾病和疾病的模式。
2K70发布于 2018-01-11 - 来自专栏小脑斧科技博客
决策树的构建、展示与决策
概述 上一篇文章中，我们介绍了两个决策树构建算法 — ID3、C4.5： 决策树的构建 -- ID3 与 C4.5 算法 本文我们来看看如何使用这两个算法以及其他工具构建和展示我们的决策树。 2. 使用 C4.5 构建决策树 有了上一篇日志中，我们介绍的 ID3 与 C4.5 算法，递归进行计算，选出每一层当前的最佳特征以及最佳特征对应的最佳划分特征值，我们就可以构建出完整的决策树了： 流程图非常清晰 决策树的可视化 上面的 json 结果看上去非常不清楚，我们可不可以画出决策树的树结构呢？ :param myTree: 决策树 :return: 决策树的叶子结点的数目 """ numLeafs = 0 # 初始化叶子 firstStr = list :param myTree: 决策树 :return: 决策树的层数 """ maxDepth = 0 # 初始化决策树深度 firstStr = next
68820编辑于 2022-06-27 决策智能
随后，在2021年10月，Gartner分析师将DI确定为2022年最具影响力的技术趋势之一。为了更好地了解什么是决策智能，以下是几个定义。第一个只是DI的简单定义。 而第二个定义专门针对供应链的决策智能。1.决策智能定义 “决策智能是一个实用的领域，它构建了广泛的决策技术，将多个传统和高级学科结合在一起，以设计、建模、调整、执行、监控和调整决策模型和流程。” 因此，企业可以部署决策智能平台进行决策支持、决策增强，甚至自主决策。同时，它与BPA的不同之处在于DI支持决策而不是基于任务的业务自动化。 此外，这些DI系统能够衡量和学习以前的决策，以提高决策有效性。决策智能与其他分析学科 什么是决策智能，以及它与其他分析学科（如决策科学、专家AI、数据科学和商业智能）的比较。 1.决策科学与决策智能。 事实上，决策者一直使用决策科学来指导他们的选择。虽然早期的决策科学以数学和统计学为基础，但计算机的出现增强了它在决策智能和决策支持分析等领域的应用。
36100编辑于 2025-07-22- 来自专栏木东居士的专栏
决策树1：初识决策树
决策树是一个非常有意思的模型，它的建模思路是尽可能模拟人做决策的过程。因此决策树几乎没有任何抽象，完全通过生成决策规则来解决分类和回归问题。 0x01 决策树的思想 1.1 什么是决策树 决策树是一种常见的机器学习算法，它的思想十分朴素，类似于我们平时利用选择做决策的过程。 3 决策树的构建 决策树通常有三个步骤： 特征选择 决策树的生成 决策树的修剪 决策树学习的算法通常是一个递归地选择最优特征，并根据该特征对训练数据进行分割，使得对各个子数据集有一个最好的分类的过程。 决策树生成和决策树剪枝是个相对的过程，决策树生成旨在得到对于当前子数据集最好的分类效果(局部最优)，而决策树剪枝则是考虑全局最优，增强泛化能力。 决策树是一个非参数的决策算法，决策树可以解决分类问题，且天然支持多分类问题。
1.6K20发布于 2019-12-23 - 来自专栏云计算D1net
让决策者充分利用云计算价值的10个方法
在本文中列出了10个与云计算接触时需要留意的关键点，以帮助企业的业务决策者避免陷入一些IT误区，并从云计算中找到对于企业来说最有价值的部分。 那些在有关云的决策中绕过IT部门的业务决策者将会面临单打独斗的风险。 8、不要把云计算当作一种商业服务 有太多的企业把云视为一种会帮助他们节约运营开支或者桌面计算等管理功能的商业服务。 10、了解云计算供应商的未来规划 如果你正在与一家云提供商建立长期业务合作伙伴关系，那么你需要了解这家云提供商未来扩展产品和服务的计划。
87490发布于 2018-03-21 - 来自专栏华章科技
盘点 | 10大行业大数据应用痛点及解决策略
本文通过分析10个使用大数据的垂直行业，这些行业面临的挑战以及大数据如何解决这些问题。此外，还将介绍一些国外大型数据提供商针对特定行业提供的解决方案案例。 金融市场的零售商，大银行，对冲基金和其他所谓的“大男孩”使用大数据进行高频交易，交易前决策支持分析，情绪测量，预测分析等方面的交易分析。 其他与大数据相关的挑战包括：将患者排除在决策过程之外，以及使用来自不同渠道的容易获得的传感器的数据。 以色列贝斯的一些医院正在使用数百万病人从手机应用收集的数据，让医生可以使用循证医学，而不是像传统医院一样，对病人进行医疗/实验室检测。 有些测试是有效的，但大部分是昂贵的并且通常是低效的。 用于分析快速有效地处理医疗信息，以加快决策速度，并检测可疑或欺诈性声明。 2、食品和药物管理局(FDA)正在使用大量数据来检测和研究食物相关疾病和疾病的模式。
97110发布于 2018-08-17 - 来自专栏数据科学与人工智能
【应用】信用评分：第10部分 - 更大的图景 - 企业决策管理系统
通过将这些单件放在一起，我们开始构建企业决策管理（EDM）系统的更大图景。 但是，这对于执行完整的信用风险决策流程仍然不足。 凭借其三个基本组成部分：数据，逻辑和推断，EDM系统提供了使用数据，模型，知识，通信和文档驱动的决策流程将数据转化为可执行决策的框架。 商业决策是EDM系统的关键输出。决策在业务流程流中消耗，并可以在其他流程中重用。在创建信用风险的决策需求图时，通常会考虑业务规则和高级分析的混合（图1）。 ? 投资回报率（ROI）分析 - 衡量业务决策的影响 - 也可以成为业务流程的一部分，指导最佳决策策略。 模型管理和监控是EDM系统的重要组成部分。 Data Scientist at World Programming, UK 原文链接：https://www.worldprogramming.com/blog/credit_scoring_pt10
59720发布于 2018-07-30 - 来自专栏思影科技
10Hz tACS对词语语音决策中前额叶皮层的影响
结果：10 Hz的tACS显著地促进了语音反应的速度，这一效应具有任务特异性。10 Hz的tACS显著增加了语音决策中的大脑θ功率，且θ功率的增加与行为的促进呈正相关。 简单决策任务，如图1C： ①向左或者向右的箭头500ms； ②注视点666ms，被试的任务为按键判断图片中箭头向左还是向右。 ? 图.实验流程与tACS刺激. tACS 置于双侧前额叶皮层(图1C)。 10Hz的tACS之后被试在决策任务中的反应显著快于假刺激，且该效应独立于实验顺序。在实验顺序上表现出了显著的学习效应。 图2.语音决策任务行为结果 EEG数据分析与结果： EEG数据： 对FFT转置数据进行基于非参数统计的被试内二因素聚类置换方差分析。 图5.语音任务相关EEG结果 结论 双侧前额叶皮层的tACS显著地促进了词汇水平上的语音决策。这一促进作用来自于θ功率在任务加工过程中的增加。
90020发布于 2019-07-17 - 来自专栏DeepHub IMBA
最简的决策树入门教程，10分钟带你入门
在这篇文章中，我将用简单的术语解释决策树。这可以被认为是一个关于决策树的傻瓜教程，虽然我个人不太喜欢这种表达。 引言与直观感受 在机器学习领域，决策树是一种非参数的模型，可以用于分类和回归。 在每个节点上，决策树对数据的一个特征进行评估，在训练阶段用于决策树的生长，而在推理阶段则让一段特定的数据沿着特定的流向在决策树上流动。 ? 也许最好的解释方法是看一个决策树是什么样子，建立一个对决策树的直觉。下图显示了一棵决策树的总体结构。 ? 在这个图中，我们可以观察到三种节点： 根节点：数据流图的启动节点。 决策树的划分依据一些特定的指标，比如分类决策树使用基尼指数或信息熵，而回归决策树使用残差或均方误差。 我们使用的特征是离散的还是连续也会带来不同的划分过程。 注：*下图只显示了决策树用过的特征* ? 好！现在我们知道如何使用决策树进行预测，让我们学习一下这一算法的优缺点。 决策树的优缺点 优点 决策树的主要优点是可解释性强。
1.3K30发布于 2020-05-09 - 来自专栏乔新亮
数据化决策
2014年读过的一本好书，才发现这本书对自己的影响深远，自己的很多决策和管理都深受此书影响。 大数据时代，我们能够获得的数据越来越多，这些数据的价值在哪里？ 答案是帮助做更有效的决策。 数据化决策 一书给出了量化不确定性、风险和数据价值的方法，一切都可量化。 如果一项量化工作至关重要，那是因为它会对决策和行为产生一些可感知的效果；如果一项量化工作不能影响或改变决策，那它就没有价值。 减少风险是计算量化价值的基础，也是选择量化什么以及如何量化的基础。 我们来看看书中数据化决策分析的一个问题： 顾客等待商家支持热线的时间越久，挂电话的概率就越高，这给业务造成了多少损失？ 一切皆可量化，包括幸福、健康和人生有关的价值。 一切兼是概率，一切都可数据化决策！ 大数据时代，开始我们的数据化决策旅程吧！
1.2K40发布于 2020-05-15 - 来自专栏数据分析与机器学习
决策树
因此，我们可用信息增益来进行决策树的划分属性选择，即在上述“决策树学习的基本算法”章节中第6行选择属性a_* = argmax_{a\in A}Gain(D,a).著名的ID3决策树学习算法就是以信息增益为准则来选择划分属性 而后剪枝策略针对欠拟合问题明显要优于预剪枝策略，泛化性能往往也要优于预剪枝策略；但是后剪枝策略的问题在于，其是在决策树生成之后进行的，并且要自底向上地对树中所有非叶节点进行逐一考察，因此其训练时间要远远大于未剪枝决策树和预剪枝决策树 决策树的剪枝往往是通过极小化决策树整体的损失函数（loss function）或代价函数（cost function）来实现。 决策树的生成只考虑通过信息增益（或信息增益比）对训练集的拟合程度。而决策树剪枝则通过优化损失函数还考虑了减小模型复杂度，进而提高其泛化性能。 换言之，决策树生成算法只学习局部的模型，而决策树剪枝算法则关注整体的泛化性能。
1.1K41发布于 2019-11-28 - 来自专栏用户画像
决策树
https://blog.csdn.net/jxq0816/article/details/82829502 决策树通过生成决策规则来解决分类和回归问题。 但是由于决策树在理论上能无限制地划分节点 前剪枝：在划分节点之前限制决策树的复杂度，通过一些阈值来限制决策树的生长，比如max_depth、min_sample_split等参数。 后剪枝：在决策树构建完成之后，通过剪枝集修改树的结构，降低它的复杂度。 这两种方法相比，前剪枝的实现更加容易，也更加可控，因为在实际应用中应用得更加广泛。 决策树最大的缺点在于模型的最后一步算法过于简单：对于分类问题，只考虑叶子节点里哪个类别占比最大；而对于回归问题，则计算叶子节点内数据的平均值。这导致它在单独使用时，预测效果不理想。 因此在实际中，决策树常常被用来做特征提取，与其他模型联结起来使用。
67130发布于 2018-09-29 - 来自专栏数据处理
决策树
决策树归纳的基本算法是贪心算法，它以自顶向下递归各个击破的方式构造决策树。 贪心算法：在每一步选择中都采取在当前状态下最好的选择。 在其生成过程中，分割方法即属性选择度量是关键。 根据分割方法的不同，决策树可以分为两类：基于信息论的方法（较有代表性的是ID3、C4.5算法等）和最小GINI指标方法（常用的有CART，SLIQ及SPRINT算法等）。
79240发布于 2018-06-01
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号