- 综合排序
- 最热优先
- 最新优先
- 来自专栏木东居士的专栏
决策树5：剪枝与sklearn中的决策树
下面来看看是否要用脐部进行划分，划分前：所有样本都在根节点，把该结点标记为叶结点，其类别标记为训练集中样本数量最多的类别，因此标记为好瓜，然后用验证集对其性能评估，可以看出样本{4，5，8}被正确分类， 划分后：划分后的的决策树为： ? 则验证集在这颗决策树上的精度为：5/7 = 71.4% > 42.9%。泛化性能得到了提升，因此，用“脐部”进行划分。 接着考察结点 5，同样的操作，把以其为根节点的子树替换为叶结点，替换后的叶结点包含编号为{6,7,15}的训练样本，根据“多数原则”把该叶结点标记为“好瓜”，测试的决策树精度认仍为57.1%，所以不进行剪枝 custom_cmap = ListedColormap(['#EF9A9A','#FFF59D','#90CAF9']) plt.contourf(x0, x1, zz, linewidth=5, dt_clf5 = DecisionTreeClassifier(max_leaf_nodes=4)dt_clf5.fit(X,y) plot_decision_boundary(dt_clf5, axis
4.5K21发布于 2019-12-23 - 来自专栏AI机器学习与深度学习算法
机器学习入门 9-5 决策边界
本小节介绍对于分类问题非常重要的决策边界，先对逻辑回归求出决策边界的函数表达式并绘制，但是对于像kNN这种不能求出决策边界表达式的可以通过预测样本特征平面中区间范围内的所有样本点来绘制决策边界。 接下来就来实际绘制一下逻辑回归的决策边界，感性的认识一下决策边界。 逻辑回归的分类本质其实就是对于样本点来说是落在决策边界的上面还是决策边界的下面。如果样本点落在决策边界的上面则将样本分成一类，如果样本点落在决策边界的下面则将样本分成另外一类。 第四章提到过当使用sklearn构造kNN模型的时候默认参数k为5，也就是看样本点周围最近的5个样本点，对于kNN算法来说，参数k值越小，对应模型本身也就越复杂。 相比于k为5时候的决策边界要规整很多，整体分成三个大块，非常清晰。通过这样的一个例子，再次样本了对于kNN算法来说，k值越大相应的模型越简单，对应到决策边界上，决策边界整体上越规整，分块越明显。
3K20发布于 2020-02-26 - 来自专栏惊羽-布壳儿
云实验室(5) - kubesphere&k8s
: 4,memory: 4G,disk: 50G name: node4, address: 192.168.0.126, cpu: 4,memory: 4G,disk: 50G name: node5, : 192.168.0.123 node1 192.168.0.124 node2 192.168.0.125 node3 192.168.0.126 node4 192.168.0.127 node5 node3 ## 输入密码 ssh-copy-id -i ~/.ssh/id_rsa.pub node4 ## 输入密码 ssh-copy-id -i ~/.ssh/id_rsa.pub node5 volume rm $(sudo docker volume ls -q) #再次显示所有的容器和数据卷，确保没有残留 sudo docker ps -a sudo docker volume ls 5. 效果 image-5854d9754d5e4706bd30151f94d1d176.png image-d4234632eb77480d970ab3c8b6d9d7ac.png
1K10编辑于 2022-06-15 - 来自专栏可以叫我才哥
5点利用用户画像为产品决策加分！
BOSS主要特征为：开会、信息、资源、盈利、沟通、规划、决策。 Boss会在信息和对应资源中寻求合作，合作的目的是为了让企业双方共赢，开会就是为了知道当前对应的公司状况，并且会伴随着去年无休，和相关的人员进行沟通之后进行决策规划。 学习和不学习的在决策、战略、商业模式等这个层面会体现出来，具体就是一直在失败的决策中不断前行，商业模式不会制定，只能找一个对应的专家进行帮忙。 2. 用户的画像更多的是帮助我们梳理需求和对应的产品决策，能够让我们对产品的认知能够更加清晰的认识。进而让产品进行优化有方向。欢迎各位进行补充和完善。
34631编辑于 2023-08-28 - 来自专栏优图实验室的专栏
腾讯优图实验室荣获5项大奖
近期，腾讯优图实验室荣获5项行业最具影响力大奖，一不小心成为人工智能领域的“当红炸子鸡”。想知道我们都荣获了哪些奖项吗？ 腾讯优图作为腾讯顶级的人工智能实验室，拥有超1000+项AI相关国内外专利，在2021年先后升级了对外开源的首个针对平台优化的高性能神经网络推理框架ncnn，和新一代移动端深度学习推理框架TNN。 其中，腾讯优图实验室总经理吴运声荣获“2021年度人工智能技术领袖TOP20”。 过去一年中，腾讯优图实验室基于自身AI技术的创新实力和持续运营，不断推动着产业数字化、智能化升级。 此次，我们荣获5项大奖，也是对我们在AI技术方面的肯定，今后我们将持续钻研AI技术，用AI更好的助力各行各业数字化升级，为社会创造更多正向价值。
1.2K20编辑于 2022-03-09 - 来自专栏blog-技术博客
人工智能_5_决策树_随机森林
# 决策树,随机森林 # 决策树结构:if-then # 信息熵: # 例:第一届世界杯32支球队 每个队伍冠军概率1/32 # 可得 log32(程序员认为的log一般都默认是以 概率相同时为log(n) # 信息熵越大表示 几率均等,不确定性大 # 决策树的划分依据:信息增益 (最大值对应的特征即为重要特征) # 当得知一个特征条件之后,减少的信息熵的大小 (构建决策树时 "boat","sex" # "1","1st",1,"Allen, Miss Elisabeth Walton",29.0000,"Southampton","St Louis, MO","B-5" DecisionTreeClassifier dec = DecisionTreeClassifier() # dec = DecisionTreeClassifier(max_depth=5) 树木可视化 # 不需要归一化 # 缺点(太过于详细,有些异常点) # 创建的树不能很好的适用于测试集:过拟合 # 改进 # 减枝cart算法 (指定叶子属性:例如若到达该叶子的样本数少于5,
58130发布于 2020-05-08 - 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
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 5.选择方案 6.付诸实践 研究表明，问题措辞的方式，或对选项的特定描述将会对决策有很大的影响。 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 - 来自专栏铭毅天下
Elasticsearch常见的5个错误及解决策略
举例1：5.x版本之后，需要分词的字段需要设定text类型和对应的analyzer ；仅需要精确匹配的可直接设置为keyword类型。 如果你想特别关注那支球队的前10名球员和以及他们的支持球员，那么聚合将如下所示 1{ 2"aggs" : { 3"play_aggs" : { 4"terms" : { 5"field" : " 6"size" : 10 7}, 8"aggs" : { 9"other_aggs" : { 10"terms" : { 11"field" : "players", 12"size" : 5 想象一下，如果您拥有5亿个文档的数据集会发生什么。 Collection Mode用于帮助控制子聚合的执行方式。聚合的默认Collection Mode称为深度优先，首先需要构建整个树，然后修剪边缘。 5、线程池设置不合理 ES节点具有许多线程池，以便改进节点内线程的管理方式。 但是每个线程可以处理多少数据存在限制。
1.4K21发布于 2018-12-14 - 来自专栏freesan44
PTA 7-5 实验室使用排期 (25 分)
题目 受新冠疫情影响，当前大家的活动都必须注意保持充分的社交距离，国家实验室的使用也同样受到了严格的限制。 假设规定任何一个时间点上，实验室内最多只能有 1 个人，且每个人都必须提前申请实验室的使用，只有申请被批准后才能进入。 现给定一批第二天的实验室使用申请，你需要写个程序自动审批，使得能够被批准的申请数量最大化。 输入格式： 输入第一行首先给出一个正整数 N（≤2×10 3 ），为申请总量。 第一个时间点为进入实验室的时间，第二个是离开时间。题目保证离开时间在进入时间之后。 注意所有时间都在一天之内。时间按 24 小时显示。 输出格式： 在一行中输出能够被批准的最大申请数量。 :35:50 13:00:00 23:45:00 23:55:50 13:00:00 17:11:22 06:30:50 11:42:01 17:30:00 23:50:00 结尾无空行 输出样例： 5
63700发布于 2021-09-10 - 来自专栏freesan44
PTA 7-5 实验室使用排期 (25 分)
题目 受新冠疫情影响，当前大家的活动都必须注意保持充分的社交距离，国家实验室的使用也同样受到了严格的限制。 假设规定任何一个时间点上，实验室内最多只能有 1 个人，且每个人都必须提前申请实验室的使用，只有申请被批准后才能进入。 现给定一批第二天的实验室使用申请，你需要写个程序自动审批，使得能够被批准的申请数量最大化。 输入格式： 输入第一行首先给出一个正整数 N（≤2×10 3 ），为申请总量。 第一个时间点为进入实验室的时间，第二个是离开时间。题目保证离开时间在进入时间之后。 注意所有时间都在一天之内。时间按 24 小时显示。 输出格式： 在一行中输出能够被批准的最大申请数量。 :35:50 13:00:00 23:45:00 23:55:50 13:00:00 17:11:22 06:30:50 11:42:01 17:30:00 23:50:00 结尾无空行 输出样例： 5
47710编辑于 2021-12-06 - 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。 with Deep Convolutional Neural Networks》，提出了深度卷积神经网络模型AlexNet，在当年的ImageNet大规模图像识别竞赛中获得冠军，将Top-1和Top-5误差分别降到了 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。 NYT的报道中写道，Hinton当然明白很多人对Capsule网络存疑，但他指出，这个情况就像5年前很多人对神经网络存疑一样。“历史将会重现，”Hinton说：“我觉得。”
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。 这里我列举了 Safe RL 的一些方法，大概有 5 类方法： 第一种方法罚函数法通常也可以被称为 Reward shaping 或 Regularization，也是所谓的正则化方法。 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。 通过使用像这样的有针对性的信息收集过程，决策者可以掌握可用的最佳信息，从而充满信心地向前迈进。收集有针对性的相关信息的5个步骤清楚地了解成功的标准——期望的结果。 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。 通过使用像这样的有针对性的信息收集过程，决策者可以掌握可用的最佳信息，从而充满信心地向前迈进。收集有针对性的相关信息的5个步骤清楚地了解成功的标准——期望的结果。 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- 来自专栏机器学习算法与Python学习
机器学习(5)之决策树ID3及Python实现
ID3算法是决策树的一种，基于奥卡姆剃刀原理，即用尽量用较少的东西做更多的事。 ID3算法( Iterative Dichotomiser 3)，迭代二叉树3代，是Ross Quinlan发明的一种决策树算法，这个算法的基础就是上面提到的奥卡姆剃刀原理，越是小型的决策树越优于大的决策树 该算法采用自顶向下的贪婪搜索遍历可能的决策空间。 在1948年，香农引入了信息熵，将其定义为离散随机事件出现的概率，一个系统越有序，信息熵越低，反之越是混乱，它的信息熵越高。 代码在实现决策树节点的分枝时是用递归实现的。
1.1K50发布于 2018-04-04 5步避坑指南助你精准决策！
说白了，数据整合效率直接决定了决策速度和市场反应能力。 接下来，我将为大家提供一个 5 步避坑指南，帮助你精准决策一、明确企业的数据集成需求1. 梳理业务流程与数据来源企业在选择数据集成平台之前，首先要对自身的业务流程进行全面梳理。 比如，对于一个拥有海量交易数据的金融企业来说，数据集成平台需要在短时间内将这些数据抽取并加载到分析系统中，以便进行实时的风险评估和决策。2.
18000编辑于 2025-07-015个决策帮助选择合适的YashanDB数据库配置
本文面向数据库管理员、系统架构师及技术决策人员，结合YashanDB数据库的架构特性及部署方式，从五个核心决策维度展开技术分析，帮助选择最适合业务需求的数据库配置方案。1. 5. 依据安全及合规需求设计访问控制和数据加密方案安全管理是数据库配置的重要维度。YashanDB支持基于角色（RBAC）和基于标签（LBAC）的访问控制机制。 结论随着数据规模的持续增长和业务多样性的不断演进，基于YashanDB灵活的部署架构和丰富的技术特性，通过科学的配置决策能够实现性能与安全的最佳平衡。
12210编辑于 2025-10-15- 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: 决策树的层数 """ maxDepth = 0 # 初始化决策树深度 firstStr = next == 'yes': print('打高尔夫') if result == 'no': print('不打高尔夫') # }}} 打印出了： 打高尔夫 5.
68820编辑于 2022-06-27 决策智能
此外，我将阐明决策智能与决策科学、人工智能、数据科学和商业智能（BI）等同类产品的不同之处。决策智能（DI）定义及其在供应链中的应用 决策智能（DI）是一个相当新的术语。 这是因为决策智能利用了各种分析工具，例如商业智能、数据科学、决策科学和专家AI系统。此外，决策智能功能最好部署为专门专注于决策的软件平台。 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。 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。 custom_cmap = ListedColormap(['#EF9A9A','#FFF59D','#90CAF9']) plt.contourf(x0, x1, zz, linewidth=5, 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
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