- 综合排序
- 最热优先
- 最新优先
- 来自专栏惊羽-布壳儿
云实验室(8) - pve磁盘文件
分配机制 在安装的时候如果不手动指定分区大小,pve会自动进行分区 在pve节点上执行查看磁盘总体情况 lsblk image-3a8b4eaf54534b2c8818b2f04e98fea5.png
2.7K20编辑于 2022-06-15 - 来自专栏WD学习记录
机器学习 学习笔记（8） 决策树
决策树学习算法包含特征选择、决策树的生成与决策树的剪枝过程，由于决策树表示一个条件概率分布，因此深浅不同的决策树对应着不同复杂度的概率模型。 决策树的生成对应于模型的局部选择，决策树的剪枝对应于模型的全局选择。决策树的生成只考虑局部最优，决策树的剪枝对应于模型的全局选择。 信息增益 信息熵是度量样本集合纯度最常用的一种指标。 后剪枝则是先从训练集生成一棵完整的决策树，然后自底向上地对非叶结点进行考察，若将该结点对应的子树替换为叶结点能带来决策树泛化的提升，则将该子树替换为叶结点。 只有一层划分的决策树，称为决策树桩。 预剪枝基于贪心的本质禁止这些分支展开，给预剪枝决策树带来了欠拟合的风险。 后剪枝决策树通常比预剪枝决策树保留了更多的分支。一般情况下，后剪枝决策树欠拟合的风险很小，泛化性能往往优于预剪枝决策树。 多变量决策树 多变量决策树又称为斜决策树，实现如下图所示的斜划分 甚至更复杂的决策树： image.png image.png 参考 《机器学习》 《统计学习方法》 《机器学习实战》
1K10发布于 2018-09-03 - 来自专栏Michael阿明学习之路
8. 非线性分类和决策树
本文为 scikit-learn机器学习（第2版）学习笔记 相关知识：《统计学习方法》决策树（Decision Tree，DT） 1. 决策树优缺点 优点： 不要求对数据进行标准化 可以进行多元分类而无需使用OvO，OvA等策略 缺点： 更容易过拟合，需要剪枝（设置树的最大深度、节点实例数量超过阈值才建立子节点） 本质上是贪心算法，不保证全局最优
46410发布于 2020-07-13 - 来自专栏惊羽-布壳儿
云实验室(4) - rancher&k8s
安装k8s 4.1 管理集群 image-1cff316ca6a546c59f0b315911127fdb.png 4.2 自定义 image-fe4a32a73663417ea5ec65b43edaefd1 .png 4.3 配置 image-d6661fb63ef34f62a3b844e28c1a32d2.png 4.4 k8s搭建 4.4.1 主节点 (勾选 etcd , contolPlane, 873ca2fa0f634857b3fcb5048566a476.png 4.4.1 worker节点 (勾选 worker) 注意,要等master 为active之后再执行 image-277a32cfbe6948ac8a8a7025e03f6e9d.png
45520编辑于 2022-06-15 - 来自专栏惊羽-布壳儿
云实验室(5) - kubesphere&k8s
虚拟机虚拟网卡桥接宿主机物理网卡,访问公网. 1.2.3 初始化 脚本/命令 与rancher前期准备相同,见 : https://www.buukle.top/archives/si-you-yun-4-rancherk8s 1.2.5 检查resolv.conf文件,清除其中当前网络不能识别的记录 vim /etc/resolv.conf 示例 : image-1315df15c742457aaa4b6ad5c91be9c8. 效果 image-5854d9754d5e4706bd30151f94d1d176.png image-d4234632eb77480d970ab3c8b6d9d7ac.png
1K10编辑于 2022-06-15 - 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FreeBuf
TEST LAB V8在线渗透实验室教程（三）
这一部分我们将演示渗透Mail和SSH系统 攻击MAIL 当前，我们已经有了Westfall的账号和密码，可以登录它的邮箱，通过浏览其收件箱，我们找到了另外两个与sas-bank相关的邮箱账号。 我们
91750发布于 2018-02-07 - 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。 以最右边的内部节点为例，可以看到，在树的层级上，潜在的分类只有3或8，因此，学习的过滤器只是简单地学会区分这两个数字。其结果是一个查找连接3的末端的两个区域的过滤器，输出一个8。 ?
98750发布于 2018-03-21 - 来自专栏机器学习初学者精选文章
(视频+图文)机器学习入门系列-第8章 决策树
本系列的目录 01.引言 02.回归 03.逻辑回归 04.朴素贝叶斯 05.机器学习实践 06.机器学习库Scikit-learn 07.KNN算法 08.决策树 09.集成学习 10.人工神经网络 11.支持向量机 12.聚类 13.降维 14.关联规则 15.机器学习项目流程 本章目录 8.1 决策树原理 8.2 梯度下降 8.3 正则化 8.4 回归的评价指标 8.1 决策树原理 视频讲解
55431编辑于 2022-02-23 - 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。 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. 2.1. python 代码实现 # -*- coding: UTF-8 -*- # {{{ import operator from math import log def createDataSet 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？ 我们可以利用 matplotlib 模块来实现树结构的绘制： # -*- coding: UTF-8 -*- # {{{ import matplotlib.pyplot as plt from matplotlib.font_manager 预测 既然构建好了我们的决策树，接下来我们就可以预测决策了： # -*- coding: UTF-8 -*- # {{{ import re def predict(inputTree, featLabels
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。 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 - 来自专栏腾讯多媒体实验室
媒体超高清未来：腾讯多媒体实验室助力云上8K
而作为腾讯旗下顶尖的音视频技术研发团队，腾讯多媒体实验室已提早布局，助力8K超高清视频产业的发展。 2019年，腾讯多媒体实验室正式成为8K工业联盟的董事会成员，积极推动8K生态系统建设。 由于8K视频所需的超高带宽，H.266/VVC成为8K推广的关键技术之一。 举措 腾讯多媒体实验室积极参与H.266/VVC标准制定，不仅技术提案数名列前茅，而且有超过100项提案被采纳。 但与目前主流的1080P视频相比，8K的分辨率足足大了16倍，对移动端的视频编解码技术的要求更是几何倍的上升。那么如何才能在手机上流畅地播放超高清视频？腾讯多媒体实验室率先给出了答案。 而针对8K直播中网络的波动、延迟对超高清视频的传输质量造成的影响，腾讯多媒体实验室的团队从拥塞控制、损伤抗性、QoS/QoE最优化、多人通讯控流及网络度量等五大功能点出发，为复杂场景下8K直播的音视频传输提供了高质量的可靠解决方案
1.3K10编辑于 2022-01-12 - 来自专栏惊羽-布壳儿
云实验室(25) - helm(k8s)安装apollo和ldap的集成
准备 1.1 数据库 1.1.1 创建数据库 这里没有按照官方文档初始化 image-a97b736aa1634b4aa8c3bddbd3fe501e.png 1.1.2 初始化数据 在apollo apollo-portal执行脚本初始化 https://i.buukle.top/upload/2022/01/2-6af1f7f3a9ee473c9e47afecf8076134.sql 1.2 helm仓库 在k8s apollo # apolloconfigdb password password: apollo connectionStringProperties: characterEncoding=utf8& 安装 shell 登录到k8s集群节点,执行命令 mkdir apollo cd apollo mkdir apollo-service mkdir apollo-portal cd apollo-service 修改部门 同样的,可以通过数据库配置进行修改 image-25b030c6a29246c8a596bcbd9960c83b.png 注意:修改完后需要重新登陆,权限才生效 注意:修改完后需要重新登陆
1.1K20编辑于 2022-06-15 - 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
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