- 综合排序
- 最热优先
- 最新优先
- 来自专栏机器学习/数据可视化
西瓜书4-决策树
决策树介绍 决策树是基于树结构进行决策的，其目的是产生一颗泛化能力强，即处理未见示例能力强的决策树，它是一种有监督分类模型 ? 一颗决策树包含： 一个根节点 若干个内部节点 若干个叶节点；叶节点对应于决策结果 决策树学习 决策树学习的本质上是从训练数据集上归纳出一组分类规则，通过训练数据集估计条件概率模型。 (D_2)=-(\frac{4}{6}log_2\frac{4}{6}+\frac{2}{6}log_2\frac{2}{6})=0.918 Ent(D_1)=-(\frac{1}{5}log_2\frac {1}{5}+\frac{4}{5}log_2\frac{4}{5})=0.722 信息增益 根据上面的计算，得到基于色泽属性的信息增益为 $$ \begin{align} Gain(D,seze 用表中的验证集进行评估，{4,5,8}被正确分类，那么不进行划分的正确率是\frac{3}{7}=42.9% 划分后：针对上面的训练集数据，计算出所有特征的信息增益，具体过程如下： ?
1.4K10发布于 2021-03-02 - 来自专栏机器学习算法工程师
《机器学习》笔记-决策树（4）
章节目录 基本流程 划分选择 减枝处理 连续与缺失值 多变量决策树 1 基本流程 一般的，一颗决策树包含一个根节点，若干个内部节点和若干个叶子节点；叶子节点对应决策结果，其他每个节点对应一个属性测试； 决策树学习的目的是为了产生一颗泛化能力强，即处理未见示例能力强的决策树，基本形式如下图所示（判别习惯是否为好瓜的决策树）： ? 2 划分选择 决策树学习的关键，是如何选择最优划分属性。 因此，我们可用信息增益来进行决策树的划分属性选择。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的。 预剪枝是指在决策树生成过程中，对每个节点在划分前进行估计，若当前的划分不能带来决策树泛化性能提升，则停止划分并将当前节点标记为叶节点；后剪枝是先从训练集生成一颗完整的决策树，然后自底向上的对非叶节点进行考察 一般情形下，后剪枝决策树欠拟合风险较小，泛化性能往往优于预剪枝决策树。但后剪枝训练开销比未剪枝决策树和预剪枝决策树都要大很多。 4 连续与缺失值 到目前为止我们讨论了基于离散属性来生成决策树。
87890发布于 2018-03-06 - 来自专栏惊羽-布壳儿
云实验室(4) - rancher&k8s
443 --privileged rancher/rancher:latest 3.2 rancher image-aba25a9716334502b7aad210fb2cbb3f.png 4. 安装k8s 4.1 管理集群 image-1cff316ca6a546c59f0b315911127fdb.png 4.2 自定义 image-fe4a32a73663417ea5ec65b43edaefd1
45520编辑于 2022-06-15 - 来自专栏7DGroup
性能分析之分析决策树3与4
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。 分析决策树图一 ? 分析决策树图二 ? 分析决策树图二 ? 每秒写入磁盘块的速率 分析决策树图三 ?
75620发布于 2019-12-11 - 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。 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 辨识问题 - 收集信息 - 提出可能的解决方案 - 评估备择方案 - 选择方案 - 付诸实践 认知心理学将决策划分为六个阶段： 1.辨识问题 2.收集信息 3.提出可能的解决方案 4.评估备择方案 决策支持系统 ---- 参考资料 [1]https://baike.baidu.com/item/%E4%B8%9A%E5%8A%A1%E5%86%B3%E7%AD%96/5810405 [2]https ://wiki.mbalib.com/wiki/%E4%B8%9A%E5%8A%A1%E5%86%B3%E7%AD%96 ----
4.2K20发布于 2020-04-01 - 来自专栏互联网数据官iCDO
营销决策转盘助您4步最大化研究ROI
引言：本文分享了通过决策转盘架构的4个步骤 ，最终提升市场营销成功的可能性。 译者 | Vanessa 审校 | Sarah 编辑 | 华 子 没人可以保障永远的商业成功，但您可以通过做出更好的商业决策增加成功的可能性。其中一方面是在策划到执行的全程中做出更好的商业决策。 基于此，我们的决策转盘架构可以在过程中的每个阶段都能对您有所帮助，并最终帮助您增加市场营销成功的可能性。这个架构专注于企业普遍需要作出的4个关键且互相关联的决定。 让我们通过这4个步骤来引导您走向成功的商业成果吧。 定位：竞争在哪儿? 您需要关注的市场是哪个？哪个部分最有利？哪个用户群体应该是您的目标？一个好的策略是基于基础夯实的商业机会。 下载我们的研究决策转盘（https://www.sklarwilton.com/tools/research-decision-wheel）来使用，或者让我们帮助您做出更好的商业决策。
68720发布于 2018-07-27 - 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。 这是在Connect4数据集上训练的软决策树的前两层的可视化。通过检查学习过滤器，我们可以看到游戏可以分为两个不同的子类型——玩家将棋子放在棋盘的边缘，以及玩家将棋子放置在棋盘中央。
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。 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。 目前我们正在构建强化学习平台来支撑第 4 届南网 AI 大赛电力调度赛道。感兴趣的同学可以联系我们，加入我们的实验室，相互学习，一起成长。
1.7K20编辑于 2022-06-07 - 来自专栏木东居士的专栏
决策树4：构建算法之ID3、C4.5
核心是通过计算每个特征的信息增益，每次划分选取信息增益最高的属性为划分标准，递归地构建决策树。 ID3相当于用极大似然法进行概率模型的选择。 由该特征的不同取值建立子节点，再对子结点递归地调用以上方法，构建决策树；直到所有特征的信息增益均很小或没有特征可以选择为止； 最后得到一个决策树。 从ID3的构建树过程而言，它可以看成使用贪心算法得到近似最优的一颗决策树，它无法保证是最优的。 中切割出分类标签，yList2）如果yList中只有同一种标签，说明已经递归到分类边界了，则返回该标签3）如果已经处理了dataSet中所有属性（列），但是类标签依然不是唯一的，采用多数判决的方法决定该子节点的分类4） 0x03 ID3算法总结 3.1 优缺点： 相对于其他数据挖掘算法，决策树在以下几个方面拥有优势： 决策树易于理解和实现. 人们在通过解释后都有能力去理解决策树所表达的意义。
1.1K10发布于 2019-12-23 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- 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. 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 decisionNode = dict(boxstyle="sawtooth", fc="0.8") # 设置结点格式 leafNode = dict(boxstyle="round4", fc 程序执行最终打印出了： 4.
68820编辑于 2022-06-27 决策智能
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。 4.决策智能直接支持决策周期内的信息流 成熟的决策智能平台才刚刚开始出现。现在，在过去，我们确实有支持决策的软件，例如专家系统。但是，它更临时和被动，例如响应用户问题的专家系统。 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。 “数据是做出决策的工具”克里斯·道塞特4.BI与DI–有区别 商业智能（BI）涉及收集、分析和可视化数据，以提供对业务运营和绩效的洞察。它主要侧重于描述性分析和报告。
36100编辑于 2025-07-22视频孪生开启4D空间智能，重塑感知与决策的未来
因此，视频孪生带来的4D空间智能，体现在以下几个核心层面：1. 时空轨迹回溯与推演：这是4D空间智能最革命性的能力。在安防领域，不再需要人工在海量录像中大海捞针。 实时模拟与前瞻决策：基于对历史与当前态势的深度学习，视频孪生体具备了预测未来的能力。在智慧交通场景，它可以提前数分钟模拟出即将到来的车流高峰，并智能调整信号灯配时，从源头避免拥堵。 4. 智能交互与闭环控制：当视频孪生体洞察到异常时，它不仅能发出警报，更能驱动执行单元自动响应。 例如，在智慧工厂中，系统通过视频识别到传送带上的物品偏移，可立即在数字孪生体中进行碰撞风险模拟，并同时指令机械臂暂停或调整动作，实现从“感知-分析-决策-执行”的秒级闭环。
44010编辑于 2025-11-18- 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AI SPPECH
4：L的强化学习安全决策：蓝队的智能响应系统
当安全决策变得智能化，我们的防御响应将更加快速和准确。 目录： 1. 背景动机与当前热点 2. 核心更新亮点与全新要素 3. 技术深度拆解与实现分析 4. 与主流方案深度对比 5. 多目标决策：同时考虑安全、性能和可用性等多个目标 实时决策：在毫秒级时间内做出最优决策 2.2 奖励函数设计：L的安全决策优化策略 设计有效的奖励函数是强化学习成功的关键。 else: security_reward = 0.2 else: # 没有攻击时，避免误报 if action == 4: ", env.get_state()) # 模拟攻击 env.simulate_attack("DDoS", "server1") print("攻击后状态:", env.get_state()) 4. 辅助：GitHub: security-rl - 安全强化学习开源项目 附录（Appendix）： 模型超参设置 参数 值 说明 学习率 3e-4 模型学习速度 批量大小 64 每次训练的样本数 折扣因子
9010编辑于 2026-03-25 - 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 - 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
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