- 综合排序
- 最热优先
- 最新优先
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。
33010编辑于 2025-09-18- 来自专栏全栈程序员必看
介绍篇 决策引擎环节
最重要的事情最后都会讲：建模是始终服务于业务的，没有业务的评分卡就没有灵魂 决策引擎概念简述 在我理解上 决策引擎类似是一个管道、运输系统，连通整个风控流程，所有的规则和评分卡以及流程都覆盖其中，分配到每一个环节 （比如人工），将结果返回给决策引擎，走入下一个流程 决策引擎的使用规则 决策引擎的分流效果 评分卡是内置在决策引擎当中，基于评分卡的分段，评分卡的使用具体参见：评分卡在策略中的使用，进行分流，分流决策的目的是为让好客户以及有借款欲望客户进一步走入下一流程 决策引擎规则的顺序 1 并行和串行并举 客户命中规则 或者 客户在某评分卡的某个阶段，共同作用，即条件A或条件B均可进入C环节 2 规则的先后性 内部规则 优于 外部规则，比如黑名单信息，用户的基本信息等 ，内部规则的准确性实际上要优于外部规则 3 IV很强的变量实际更适合作为决策引擎的规则 一个变量分箱后，里面全部都是坏客户，那么可以直接作为TK规则，而不是放入评分卡中 4 规则的效率 直接结果和二次处理结果的效率是不同的
79230编辑于 2022-09-10 - 来自专栏全栈程序员必看
风控决策引擎经验
一套完整的风控体系，在风控中，少不了决策引擎，今天就浅谈一下风控决策引擎。 一、优先级 风控决策引擎是一堆风控规则的集合，通过不同的分支、层层规则的递进关系进行运算。 所以，整套风控决策引擎的搭建设计思路，基于规则优先级运算的注意要点如下： 1、自有规则优先于外部规则运行 举例说明：自有本地的黑名单库优先于外部的黑名单数据源运行，如果触发自有本地的黑名单则风控结果可直接终止及输出 3、消耗低性能的规则优先于高性能消耗的规则运行 举例说明：直接基于用户现有属性的数值，如当前用户的民族是否非少数民族，则可优先运行。 所以，整个风控决策引擎的搭建设计思路，基于可调整与可维护的注意要点如下： 1、非刚需与必要的风控规则，能够“开关化” 举例说明：一些必要的风控规则，如用户的银行4要素验证是否一致性，这是必要规则，就无需可开关 因为去验证用户的稳定性，是否用“6个月”，还是用“3个月”的长度更合适？
2K30编辑于 2022-07-02 决策引擎系统的7个级别
2、3和4级都是监督式机器学习的一种形式，这就是（今天）媒体提到“人工智能”时的典型含义。1-3级被广泛使用，而4级（如ChatGPT）似乎正在迅速采用。 目前有许多商业“规则引擎”被广泛使用。2级基础机器学习这包括使用查找表、参数模型（包括线性或非线性模型和神经网络）或非参数模型的已知统计模型。 笔记：我选择了人工智能的三个级别，2、3和4，它们都涉及监督式机器学习，并且这三个级别都可能包括神经网络的使用。这就提出了一个问题，为什么这些处于不同的级别。 相比之下，第3级解决了各种模式识别问题，这些问题表现出与第2级中解决的问题完全不同的结构。 我将其放在一个新的水平上，原因有两个：a）神经网络比模式识别问题大得多，需要更多的训练，以及b）大型语言模型作为一种应用程序与第3级中的模式识别问题有着根本的不同。
31610编辑于 2025-09-17- 来自专栏IT创事记
智能决策优化新引擎的“求解”之道
从某种意义上讲，求解器就像运筹学里的“芯片”，绝大多数复杂系统的决策问题，都需要用求解器寻求最优解决方案。 市场体量的增大与结构性变化的频生，都对智能决策优化的演进创造了良好条件。 罗小渠认为，杉数科技生逢其时，更要把握良机——“目前，我们已形成以求解器COPT为核心计算引擎+决策技术中台+业务场景的完整技术平台，通过对底层技术引擎的升级来驱动更为高效的产品平台和服务，赋能产业向智能化转型 从调度优化到提供端到端的决策优化解决方案，从涉足零售电商到深耕工业互联网，再到成功服务逾20个行业超百家龙头企业，杉数科技的技术引擎一直在迭代更新，而唯一不变的是对客户需求的跟踪与洞察。 复杂业务场景纷繁交织的航空业是决策优化技术的天然拥趸。
1K10编辑于 2022-08-30 一文读懂AI引擎与Together规则引擎重塑智能决策
AI引擎的三大能力革命动态规划能力Together规则引擎通过可视化的DRG图和装箱表达式，把“季度营收增长20%”这样的宏观目标转化为可执行的决策模型。 多工具调用能力基于Together标准化的决策服务接口，AI引擎可以在ERP、CRM等系统间建立决策中枢。 当某次供应链中断事件触发规则库未覆盖的场景时，AI引擎会将决策过程反哺至Together知识库，形成“决策-反馈-优化”的闭环学习。 Together的标准化决策建模语言，企业可以直观验证AI引擎的决策逻辑是否匹配业务需求，避免“伪智能”方案。 当每一次AI引擎的决策都通过Together引擎沉淀为可复用的业务规则资产，当每一个流程优化都能转化为标准化的决策模型，企业管理软件将真正进入“决策即服务”的新纪元。
85910编辑于 2025-09-05规则引擎系统中决策管理的最佳实践
随着时间的推移，很多公司会发现，让业务负责人自己做决策，能让他们从决策管理系统中得到更好的结果。 决策管理系统利用公司已经收集或可以获取的数据来改进决策方式，方法是预测决策可能的结果，而不是什么都不做。决策总是和未来有关，因为它们只能影响未来。公司拥有的所有数据都是关于过去的。 专注于实时评分将使决策管理系统更加强大。把数据挖掘和业务规则结合起来用。很多构建决策管理系统的公司会把基于规则的决策逻辑开发和分析完全分开。 为了提供集成决策改进环境，公司应汇总过去决策制定的日志、使用这些决策所取得的业务成果信息以及决策逻辑/分析管理环境本身。 最佳实践是考虑在这些情况下使用机器学习和自适应分析引擎。在组织中建立对分析工作的信任将越来越多地允许分析系统自己做出更多决策。
31410编辑于 2025-09-09- 来自专栏AI粉嫩特攻队
ID3决策树
在解决分类问题的决策树中，叶子节点就表示所有的分类，比如这里的分类就有3种：无聊时阅读的邮件、需及时处理的邮件、无需阅读的邮件。 换句话说就是，我们如何知道这颗决策树的各个节点选取什么特征来划分数据才最合适呢？ok,你可能听过一些算法的名字，比如ID3、C4.5、CART等，它们其实就是用来解决这个问题的。 ID3决策树使用信息熵度量数据子集的纯度，信息熵越大，数据越混乱，纯度越低。 然而，ID3还是有缺陷的，比如会偏向选择特征值比较多的特征来划分数据子集，然而如果训练数据中符合这个特征值的数据只出现过很少，甚至是一次，那么将导致构建出的决策树对这个特征的偏见。 另外，ID3无法处理含有连续型数值的特征以及处理回归问题，这类场景下，决策树需要另一种算法——CART，下一篇文章会具体介绍。 ok,本篇就这么多内容啦~，感谢阅读O(∩_∩)O。
89950发布于 2020-01-07 物联网规则引擎：数据驱动决策的分步指南
机器学习和人工智能在数据驱动决策中的主要应用有：预测建模，预测未来会发生什么情绪分析，了解客户怎么想推荐引擎，个性化营销的好帮手异常检测，找出欺诈或错误自然语言处理，分析文本数据像亚马逊这样的公司，用机器学习算法优化供应链 衡量数据驱动决策的影响要真正了解数据驱动决策的好处，组织得有办法衡量它对业务绩效的影响。数据驱动决策的关键绩效指标（KPI）KPI是帮助组织跟踪数据驱动方法有效性的关键指标。 决策质量和速度：这个指标关注决策过程的强化。比如用数据分析和直觉做选择的结果对比，以及实时数据带来的决策时间缩短。通过持续跟踪这些KPI，组织可以量化数据驱动决策带来的好处，并展示它对利润的实际影响。 数据驱动决策的示例数据分析虽然在幕后，但数据驱动决策对消费者的影响可是明摆着的。不同行业数据驱动决策的一些例子包括：电子商务你在网上购物时有没有好奇为啥会收到某些推荐？ 虽然你可能没意识到自己的偏见，但内心的偏见或价值观会影响你做决策的方式。直接根据事实和数字做决策可以使你的决策保持客观和公平。
31910编辑于 2025-09-16- 来自专栏小小程序员——DATA
决策树 ID3 算法
ID3 算法 ID3 算法 ID3 算法最早是由罗斯昆 (J.Ross Quinlan) 于1975年提出的一种决策树构建算法，算法的核心是“信息熵”，期望信息越小，信息熵越大，样本纯度越低。。 ID3 算法是以信息论为基础，以信息增益为衡量标准，从而实现对数据的归纳分类 ID3 算法计算每个属性的信息增益，并选取具有最高增益的属性作为给定的测试属性。 ID3 算法步骤： 1.初始化特征集合和数据集合 2.计算数据集合信息和所有特征的条件熵，选择信息增益最大的特征作为当前决策节点 3.更新数据集合和特征集合(删除上一步使用的特征，并按照特征值来划分不同分支的数据集合 ) 4.重复 2，3 两步，若子集值包含单一特征，则为分支叶子节点。 ID3 算法缺点 ID3 没有剪枝策略，容易过拟合 信息增益准则对可取值数目较多的特征有所偏好，类似“编号”的特征其信息增益接近于 1 只能用于处理离散分布的特征没有考虑缺失值
95310编辑于 2023-12-06 一文看懂决策引擎平台必备功能都有哪些
这个决策引擎平台就是为了让公司能轻松管理、执行和部署各种半自动和全自动的决策。随着各种技术的出现，决策自动化越来越受到关注，这些技术设计得特别好，能帮助人工智能在很多公司和行业里无缝工作。 这些报告和数据清楚地告诉我们，人工智能投资的商业预期和人工智能驱动的投资计划的预期回报之间有很大的差距，特别是在决策自动化项目上。幸运的是，公司们可以通过用Together规则引擎来改变这种局面。 Together规则引擎也是一个决策智能平台，主要目标是通过给企业提供一个统一且通用的决策建模平台来弥合这个差距，这个平台满足了决策自动化的所有独特要求，特别是支持完全和半自动化的业务决策。 更重要的是，决策智能平台还必须在必要时为无状态或有状态的决策过程提供人工干预的机会。Together规则引擎让你拥有这些能力。 这凸显了以决策为中心的方法™。Together规则引擎正是实现这些业务价值的工具，通过可视化决策模型的构建将你的管理渗透到你业务的方方面面。
48110编辑于 2025-09-03- 来自专栏数据挖掘
决策树ID3算法
决策树 (Decision Tree）是在已知各种情况发生概率的基础上，通过构成 决策树 来求取净现值的期望值大于等于零的概率，评价项目风险，判断其可行性的决策分析方法，是直观运用概率分析的一种图解法。 由于这种决策分支画成图形很像一棵树的枝干，故称 决策树 。在机器学习中，决策树 是一个预测模型，他代表的是对象属性与对象值之间的一种映射关系。 Entropy = 系统的凌乱程度，使用算法ID3, C4.5和C5.0生成树算法使用熵。这一度量是基于信息学理论中熵的概念，本文着重讲ID3算法。 0 温暖 4 2 正常 6 1 有风 3 3 下雨 3 2 寒冷 3 1 各个天气情况 的信息熵计算为： 天气为晴朗时，2/5的概率外出，3/5的概率不外出，信息熵为0.971 高温 2 2 高 3 4 无风 6 2 外出 9 5 多云 4 0 温暖 4 2 正常 6 1 有风 3 3 下雨 3 2 寒冷 3 1 # 重新整理数据 def Statistics
57720发布于 2019-07-02 - 来自专栏python前行者
python3构建决策树
本次构建决策树的使用的算法是ID3算法，主要思想是利用不同特征值的信息熵来作为最优划分属性 ? 步骤： 1、将以上列表存为.csv格式文件，读取特征值列表和Class列表 2、将特征值列表和Class列表转换为（0，1）形式 3、运用决策树分类 4、使模型可视化 5、利用测试集进行预测测试 next() 方法 Python 3 中的 File 对象不支持 next() 方法。 Python 3 的内置函数 next() 通过迭代器调用 next() 方法返回下一项。 此外，利用graphviz还可以很方便的将程序过程中生成的.dot文件转化为pdf文件进行显示决策树的样子，具体方法是在终端下输入：dot -Tpdf name.dot -o name1.pdf,在这个程序中生成的决策树如下图所示 决策树归纳算法 （ID3） 1970-1980， J.Ross.
1.1K40发布于 2019-03-25 - 来自专栏AI粉嫩特攻队
理解ID3决策树
在解决分类问题的决策树中，叶子节点就表示所有的分类，比如这里的分类就有3种：无聊时阅读的邮件、需及时处理的邮件、无需阅读的邮件。 换句话说就是，我们如何知道这颗决策树的各个节点选取什么特征来划分数据才最合适呢？ok,你可能听过一些算法的名字，比如ID3、C4.5、CART等，它们其实就是用来解决这个问题的。 ID3决策树使用信息熵度量数据子集的纯度，信息熵越大，数据越混乱，纯度越低。 然而，ID3还是有缺陷的，比如会偏向选择特征值比较多的特征来划分数据子集，然而如果训练数据中符合这个特征值的数据只出现过很少，甚至是一次，那么将导致构建出的决策树对这个特征的偏见。 另外，ID3无法处理含有连续型数值的特征以及处理回归问题，这类场景下，决策树需要另一种算法——CART，下一篇文章会具体介绍。 ok,本篇就这么多内容啦~，感谢阅读O(∩_∩)O。
98240发布于 2020-01-14 - 来自专栏python3
unity3D引擎
定义变量、Gameobject.Find("物体路径名称");、Gameobject.FindGameobjectsWithTag("标签名");
1.2K10发布于 2020-01-15 - 来自专栏python3
3,mysql的存储引擎
1,什么是存储引擎，存储引擎说白了就是如何存储数据,如何为存储的数据建立索引和如何更新，查询数据等技术的实现方法。因为在关系数据库中数据的存储是以表的形式存储的，所以存储引擎也可以成为表类型。 在Oracle和SQL Server等数据库中只有一个存储引擎，所有的数据存储管理机制都是一样的。 MySQL数据库提供了多种存储引擎，用户可以根据不同的需求为数据库表选择不同的存储引擎，也可以根据自己的需要编写自己的存储引擎。 2，如何选择存储引擎： InnoDB存储引擎：用于事务处理应用程序，具有众多特性 MyISAM存储引擎：主要用于管理费事务表，它提供高速存储和检索，以及全文搜索能力 MEMORY存储引擎：提供“内存中” 表，MEMORY存储引擎的所有数据都在内存中，数据的处理速度快，但安全性不高（用于相对较小的数据库表）
95110发布于 2020-01-06 - 来自专栏开源物联网平台开发
Node-RED 规则引擎：开启物联网时代的智能决策
Node-RED 规则引擎：开启物联网时代的智能决策 随着物联网技术的快速发展，大量的设备和传感器正在不断产生海量的数据。 为了有效处理这些数据，并实现智能决策，规则引擎在物联网领域扮演着至关重要的角色。而 Node-RED 规则引擎则以其灵活性和易用性，在物联网开发领域中引起了广泛的关注和应用。 二、Node-RED 规则引擎的特点 灵活性：Node-RED 支持自定义节点和插件，用户可以根据需求扩展功能，实现个性化的规则设计。 三、Node-RED 规则引擎的应用场景 智能家居：在智能家居领域，Node-RED 可以连接各种智能设备，实现设备的联动控制、自动化场景设置等功能。 四、总结 随着物联网技术的不断发展，规则引擎在物联网应用中的作用将越来越重要。Node-RED 规则引擎以其灵活性和易用性为物联网开发者提供了一个强大的工具，使得开发者能够轻松地构建复杂的物联网应用。
1.9K10编辑于 2024-03-19 - 来自专栏企鹅号快讯
模糊决策树算法FID3
模糊决策树的归纳过程可以分为以下步骤 ： （1）数据预处理； （2）归纳建立决策树； （3）把得到的决策树转换成一组模糊规则； （4）把得到的模糊规则用于分类。 归纳过程是模糊决策树中一个很重要的部分，并且它和传统的决策树方法有所不同； （3）模糊决策树停止增长的判断条件。 ，它比清晰决策树更加的精确； （3）模糊决策树使用了模糊隶属度函数，可以处理连续型和离散性数据。 传统的批处理模糊决策树算法如Fuzzy ID3算法，用户需要自定义每一个属性的隶属度函数和模糊集，通过引入模糊集方法取得了更高的准确率。 FID3 上面图形为模糊决策树模型，其中边上的标识代表了每个样本从root到叶子节点时候的隶属度的值，β12代表第二个叶子节点属于第一类的隶属度值。
3.8K90发布于 2018-02-07 - 来自专栏往期博文
【数据挖掘】任务3：决策树分类
要求 要求：天气因素有温度、湿度和刮风等，通过给出数据，使用决策树算法学习分类，输出一个人是运动和不运动与天气之间的规则树。 pd.read_excel('data.xlsx', index_col=None) df 天气 温度 湿度 风况 运动 0 晴 85 85 无 不适合 1 晴 80 90 有 不适合 2 多云 83 78 无 适合 3 适合 9 有雨 75 80 无 适合 10 晴 75 70 有 适合 11 多云 72 90 有 适合 12 多云 81 75 无 适合 13 有雨 71 80 有 不适合 文字指标量化 为了后续决策树的计算 = np.where(df['湿度'] > 80, 1, 0) 转换后的数据如下表所示： df 天气 温度 湿度 风况 运动 0 0 2 1 0 0 1 0 2 1 1 0 2 1 2 0 0 1 3 7 0 1 1 0 0 8 0 0 0 0 1 9 2 1 0 0 1 10 0 1 0 1 1 11 1 1 1 1 1 12 1 2 0 0 1 13 2 1 0 1 0 数据集划分 根据7/3的比例划分训练集和测试集
73910编辑于 2022-09-01 - 来自专栏小小程序员——DATA
Numpy 实现ID3决策树
Numpy 实现ID3决策树 # 定义节点类 二叉树 class Node: def __init__(self, root=True, label=None, feature_name=None def train(self, train_data): """ input:数据集D(DataFrame格式)，特征集A，阈值eta output:决策树 label=y_train.value_counts().sort_values( ascending=False).index[0]) # 3,
45010编辑于 2023-12-07
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