- 综合排序
- 最热优先
- 最新优先
- 来自专栏7DGroup
性能分析之分析决策树2
千江有水千江月,万里无云万里天》今天咱们谈谈7DGroup创始人高楼老师的性能分析之决策树分析法二。 分析树图一 ?
74030发布于 2019-12-10 - 来自专栏数据科学（冷冻工厂）
机器学习经典算法：决策树（2）
概述决策树（Decision Tree）是有监督学习中的一种算法，并且是一种基本的分类与回归的方法。决策树有两种：分类树和回归树。 决策树是用于分类和回归的工具，它将数据特征值拆分为决策节点处的分支（例如，如果特征是一种颜色，则每种可能的颜色都会成为一个新分支），直到做出最终决策输出。 一般来说，决策树只是一个嵌套 if-else 条件的结构。在数学上，决策树使用平行于任何一个轴的超平面将坐标系切割成超长方体。树形结构图片2. 构建过程包括：特征选择、决策树的生成和决策树的剪枝特征选择标准：希望决策树的分支节点所包含的样本尽可能属于同一类别，也就是节点的纯度（purity）越来越高。 数据集总行数 iset = dataSet.iloc[:,-1].value_counts() #标签的所有类别 p = iset/n #每一类标签所占比 ent = (-p*np.log2(
56220编辑于 2023-01-19 - 来自专栏数据科学（冷冻工厂）
机器学习经典算法：决策树（2）
概述 决策树（Decision Tree）是有监督学习中的一种算法，并且是一种基本的分类与回归的方法。决策树有两种：分类树和回归树。 决策树是用于分类和回归的工具，它将数据特征值拆分为决策节点处的分支（例如，如果特征是一种颜色，则每种可能的颜色都会成为一个新分支），直到做出最终决策输出。 一般来说，决策树只是一个嵌套 if-else 条件的结构。在数学上，决策树使用平行于任何一个轴的超平面将坐标系切割成超长方体。 树形结构 树形结构 2. 构建 过程包括：特征选择、决策树的生成和决策树的剪枝 特征选择 标准：希望决策树的分支节点所包含的样本尽可能属于同一类别，也就是节点的纯度（purity）越来越高。 iset = dataSet.iloc[:,-1].value_counts() #标签的所有类别 p = iset/n #每一类标签所占比 ent = (-p*np.log2(
53320编辑于 2023-02-27 - 来自专栏全栈程序员必看
ssm管理系统课题_p2实验室
开发目的 方便高效地实验室设备统一管理，除了实现基本的增删改查，还提供借用、归还、购买和问题反馈功能，可实现对实验室设备的基本业务的处理 本项目由本人负责开发完成，项目能保证正常运行，当然其中不免也会有缺漏或不完善的地方 spring+springmvc+mybatis spring功能是实现参数参数注入，请求分发处理，对数据库操作进行事务控制，其中mybatis使用注解查询，整体上大部分使用xml配置，少部分使用注解 2. 1.批量数据分页查询的呈现和控制 批量数据的分页查询颇费功夫，自己写了一个能实现分页查询的javascript直接对象，并设计了页面呈现的样式，这里有我本人的的帖子：Javascript实现分页查询 2. G0001 123456 用户账号 3182701101 123456 项目这次已经更新了大部分bug以方便初学者学习，由于该项目比较基础简单，后面除非有必要才会再更新了 实现效果 1.登录首页 2.
52530编辑于 2022-11-08 - 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
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 2、涉及的时间范围； 战略决策面对未来较长一段时期内的活动，而战术决策则是具体部门在未来较短时期内的行动方案。战略决策是战术决策的依据，战术决策是在其指导下制定的，是战略决策的落实。 2、战术决策调整在既定方向和内容下的活动方式，解决如何干的问题，是执行性决策。 3、业务决策大多是重复发生的，具有一定确定性的程序化决策。如定额的制定，生产任务的分配，人力、物资的调度，设备维修等。 二、涉及的时间范围不同 1、战略决策面对未来较长一段时期内的活动，而战术决策则是具体部门在未来较短时期内的行动方案。 2、战略决策是战术决策的依据，战术决策是在其指导下制定的，是战略决策的落实。 三、作用和影响不同 1、战略决策的实施效果影响组织的效益与发展。 2、战术决策的实施效果则主要影响组织的效率与生存。
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。 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。 通过依赖分层决策而不是分层特征，我们避开了这些问题，因为每个决策都是在读者可以直接参与的抽象层次上进行的。”
98750发布于 2018-03-21 - 来自专栏木东居士的专栏
决策树2: 特征选择中的相关概念
0x00 前言 决策树学习算法有三个步骤： 特征选择 决策树生成 决策树剪枝 特征选择，就是决策树的构造过程。 为了找到最优的划分特征，我们需要先了解一些信息论的知识。 在上面这棵“相亲决策树”中，对于结果（叶子结点），有随机变量Y={见,不见}。我们可以统计出，见的个数占2/6=1/3；不见的个数占4/6=2/3。那么变量Y的熵，可以根据公式计算得到： 。 假设在信用卡逾期风险预测场景中，有如下数据： 信用级别 工资级别 是否逾期 1 1 是 2 1 否 3 2 是 4 2 否 那么此时我们分别计算“信用级别”和“工资级别”条件下“预期”的条件熵。 A = H(是否逾期|信用级别)= p(信用等级=1)H(是否逾期|信用等级=1)+ p(信用等级=2)H(是否逾期|信用等级=2)+ p(信用等级=3)H(是否逾期|信用等级=3)+ p(信用等级=4 我们希望在不断划分的过程中，决策树的分支节点所包含的样本尽可能属于同一类，即节点的“纯度”越来越高。 而选择最优划分特征的标准（上面介绍的这些概念）不同，也导致了决策树算法的不同。
2.1K10发布于 2019-12-23 - 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。 对于多步优化，我们也对比了三类方法：Our Method(A1)、Penalty Method(A2)、以及 Safe Explore(A3)。 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 - 来自专栏往期博文
【sklearn】2.分类决策树实践——Titanic数据集
在上一篇【sklearn】1.分类决策树学习了sklearn决策树的一些接口后，现在利用kaggle上泰坦尼克号的数据集进行实践。 '].fillna(data['Age'].mean()) # 删掉含有缺失值的行 data = data.dropna() # 默认axis=0 # 将[Embarked]的文字部分替换成0，1，2（ ) # 随机取出数据，索引会变化，下面重新纠正索引 for i in [Xtrain, Xtest, Ytrain, Ytest]: i.index = range(i.shape[0]) 决策树构建 # 使用决策分类树 clf = DecisionTreeClassifier(random_state=25) clf = clf.fit(Xtrain, Ytrain) score = clf.score min_impurity_decrease’: 0.0, ‘min_samples_leaf’: 1, ‘splitter’: ‘best’} 最佳准确率：82.3% 总结 即使经过调参，准确率依旧提升不多，说明决策树对该数据集的效果并不理想
1.6K10编辑于 2022-06-14 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。 通过压缩决策周期，企业高管可以通过进入他们的决策周期来扰乱竞争对手。2.当今的供应链软件成本高昂，无法满足高管的敏捷性需求。 当前的供应链软件和分析工具成本高昂。 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。
22100编辑于 2025-07-23- 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. in labelCount: prob = float(labelCount[i]) / numEntries Entropy -= prob * log(prob, 2) splitInfo -= prob1 * log(prob1, 2) """ 计算信息增益比 """ 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
Gartner2.供应链分析和决策智能（A&DI）技术描述 “…市场涵盖提供不同类型分析的功能，侧重于预测性和规范性分析。 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。 而决策智能可以使用预测模型根据个体患者特征推荐个性化的治疗计划。2.人工智能系统改造–新的DI平台。 几十年来，我们一直在使用专家系统（AI的一个子集），并取得了巨大成功。
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
比如扔一枚骰子(骰子每个面上只标记1或2)，现在告诉你扔了n次骰子其中有k次朝上的是1；然后问你这个骰子标记为1的面所占的比例w是多少? plt.scatter(X[y==0,0],X[y==0,1])plt.scatter(X[y==1,0],X[y==1,1])plt.scatter(X[y==2,0],X[y==2,1])plt.show 4.2 进行分类 from sklearn.tree import DecisionTreeClassifier# 创建决策树对象，最大深度max_depth为2层，criterion评判标准为entropy （熵）dt_clt = DecisionTreeClassifier(max_depth=2,criterion='entropy')# 将训练数据送给模型dt_clt.fit(X,y) # 绘制决策边界 ],X[y==2,1])plt.show() ?
1.6K20发布于 2019-12-23 - 来自专栏PPV课数据科学社区
【学习】R语言与机器学习学习笔记（2）决策树算法
算法二：决策树算法 决策树定义 首先，我们来谈谈什么是决策树。我们还是以鸢尾花为例子来说明这个问题。 这种从数据产生决策树的机器学习技术叫做决策树学习, 通俗点说就是决策树，说白了，这是一种依托于分类、训练上的预测树，根据已知预测、归类未来。 先说说构造的基本步骤，一般来说，决策树的构造主要由两个阶段组成:第一阶段，生成树阶段。选取部分受训数据建立决策树，决策树是按广度优先建立直到每个叶节点包括相同的类标记为止。第二阶段，决策树修剪阶段。 用剩余数据检验决策树，如果所建立的决策树不能正确回答所研究的问题，我们要对决策树进行修剪直到建立一棵正确的决策树。这样在决策树每个内部节点处进行属性值的比较，在叶节点得到结论。 ； （7） 调用cartformtree(T1); （8） 调用cartformtree(T2)； 以鸢尾花数据集为例，使用cart算法，得到决策树： 要实现
1.2K90发布于 2018-04-19 - 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
一、决策树学习的基本算法 ---- 输入： 训练集:D= \{(x_1,y_1),(x_2,y_2),...,(x_m,y_m)\} ；属性集:A= \{a_1,a_2,..,a_d\} 。 ---- 二、评价指标 信息增益 Ent(D) = -\sum_{k = 1}^{|Y|}p_klog_2(p_k) （|Y|为目标变量集合）,Ent(D)的值越小，则D的纯度越高。 Gain\_ratio = \frac{Gain(D,a)}{IV(a)} 其中， IV(a) = -\sum_{v = 1}^V\frac{|D^v|}{|D|}log_2\frac{|D^v|}{| 总结： 对信息增益和基尼系数进行理论分析显示，它们仅在2%的情况下会有所不同；注意对于连续变量，由于离散化的方式不同，可能会存在差异。 设树T的叶节点个数为|T|, 是树T的叶节点，该叶节点有N_t个样本点，其中k类的样本点有N_{tk}个(k = 1,2,3,...
1.1K41发布于 2019-11-28 - 来自专栏CreateAMind
强化学习优质教程2 马尔可夫决策过程 有视频
v=2pWv7GOvuf0 Lecture 1: Introduction to Reinforcement Learning Lecture 2: Markov Decision Processes
38340发布于 2018-07-25 - 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