- 综合排序
- 最热优先
- 最新优先
- 来自专栏用户5637037的专栏
一种动态风险敏感顺序决策方案
原文标题：A Scheme for Dynamic Risk-Sensitive Sequential Decision Making 摘要：提出了一种动态环境下具有风险敏感目标和约束的序贯决策方案。 将神经网络训练成具有风险敏感约束的参数空间到风险空间和策略映射的逼近器。对于目标和约束是或可以用收益均值和方差函数估计的风险敏感问题，我们生成一个综合数据集作为训练数据。 我们证明：大多数风险度量可以使用收益差异来估计；利用状态增强变换，在风险敏感的情况下，可以求解具有随机报酬的马尔可夫决策过程建模的实际问题；通过数值实验验证了该方案的有效性。
47330发布于 2019-07-17 - 来自专栏从救火到防火：大模型赋能云原生安全
第 5 期：AI × 云原生安全：如何用大模型打造企业级“风险决策引擎”
我们要回答一个问题：大模型能否帮助企业建立“智能风险决策引擎”？答案是：不仅能，而且效果惊人。一、为什么要用AI做风险决策？前四期我们讲了资产画像、讲了决策模型、讲了流程。 为什么风险决策是大模型最适合落地的安全场景？大模型天生适合三件事：模式识别复杂信息归因多维信号融合而风险决策正是：大模型的能力与风险决策天然匹配。 ）四、未来趋势：安全团队将从“工具使用者”升级为“风险运营者”AI带来三件事：安全能力产品化风险决策自动化攻防模拟智能化安全团队的角色正在变成：企业风险运营决策中心。 安全的真正职责不是扫描，而是风险决策。第2期（已发布）：介绍核心能力资产画像，演示如何将数百万漏洞压缩成数十个必须修的风险，实现精准打击。 第5期（本期）：展望未来，讲解AI×云原生安全，即如何用大模型打造企业级的“风险决策引擎”，实现智能防火。
31610编辑于 2026-01-01 - 来自专栏木东居士的专栏
决策树5：剪枝与sklearn中的决策树
因此可主动去掉一些分支来降低过拟合风险。 决策树非常容易产生过拟合，实际所有非参数学习算法，都非常容易产生过拟合。 因此，对于决策树的构建还需要最后一步，即决策树的修剪。 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。 对比未剪枝的决策树和经过预剪枝的决策树可以看出：预剪枝使得决策树的很多分支都没有“展开”，这不仅降低了过拟合的风险，还显著减少了决策树的训练时间开销和测试时间开销。 3.4 总结 对比预剪枝和后剪枝，能够发现，后剪枝决策树通常比预剪枝决策树保留了更多的分支，一般情形下，后剪枝决策树的欠拟合风险小，泛华性能往往也要优于预剪枝决策树。 dt_clf5 = DecisionTreeClassifier(max_leaf_nodes=4)dt_clf5.fit(X,y) plot_decision_boundary(dt_clf5, axis
4.7K21发布于 2019-12-23 - 来自专栏数据的力量
星巴克的选址逻辑：用数据决策模型规避风险
在大多数餐企是靠模糊化的直觉来决策时，星巴克已经运用了数学家的功力：通过建模，把各项参数设计进一套决策模型，市调人员将相关数据输入，就能得到较为明确的决策建议。 仅仅5年星巴克从一个无名小卒成长为一位耀眼的明星，并迅速演变为一种标榜流行时尚的符号。 对于连锁门店，使用GIS和其它的数据密集型服务遵循一个简单的逻辑：数据有助于企业节省开支，同时也防止企业因为在不适宜的地点开设门店而导致的错误决策浪费金钱。 当时上海星巴克面临两个选择，一个是在南京市的新街口商圈，这里人口密集，有4～5家大型场，新街口商圈的东方商厦是一家经营高档商品的大型商场，这里的消费者的层次与星巴克的消费人群类似，而且消费水准稳定； 另一个是南京市北极阁地区
2.5K51发布于 2018-06-20 - 来自专栏运维之路
风险感知（二）场景设计5要素
分析前，先回顾一下场景设计的一些要点： 场景的基础是实际运维工作，要用“连接、数据、赋能”的数字化思维重塑场景 按“人、事、时间、协同、环境”5要素梳理场景 场景强调多角色“组织”高效协同，是对线下流程的在线化 ，平台赋能场景生产力 再看看风险感知场景的要点： 在线感知风险状况，即时健康质检 赋能专家主动构建、调优风险感知模型 “数据指标+算法策略”（点）=》编排组装主题（面、兼顾非知风险） 建立风险识别（感知 ）、决策、执行闭环 以下从“人、事、时间、协同、环境”5要素看看场景。 运维管理决策：中频用户，含纵向多个层级的管理决策层，以及横向风险管理相关的流程经理，了解全局与重要信息系统健康状态，支持风险感知工作机制的落地，不仅是用户还提供资源。 5.环境 环境包括显性环境与隐性环境。
1.5K20编辑于 2022-11-16 - 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。
3.1K20发布于 2020-02-26 AI风险管理：从理论到实践的决策指南 | 构建审慎的人工智能风险预防与治理框架
例如，一项每年耗资10亿美元的AI安全措施，如果能够将AI引发的预期年度损失降低5%，那么只要这个预期的年度损失超过200亿美元，这项投资就达到了平衡点。 以及这项措施能否实现5%的风险降低？，这比争论AI末日的精确概率要具体得多。此外，这一框架还能有效整合全灾种（all-hazards）的理念。 这张图的价值在于，它能帮助持不同观点的决策者找到共识。例如：A先生认为p(cat)高达1%，但他对预防措施的效果持悲观态度，认为其只能降低5%的预期损失。 这使得决策从对单一变量的争执，转向对一个二维可能性空间的共同探索。（三） 整合全谱系风险：让高额投资更具合理性应对AI风险的最佳策略，是将整个风险谱系整合考虑。 对于低概率、高影响的灾难性风险，应使用平衡点分析图作为决策工具，在不同观点的碰撞中寻找共识。
82700编辑于 2025-10-15- 来自专栏拓端tecdat
R语言基于决策树的银行信贷风险预警模型
有正必有反，在个人信贷业务规模不断扩大的同时，信贷的违约等风险问题也日益突出，一定程度上制约着我国的信贷市场的健康发展。 违约风险是指债务人由于各种原因不能按时归还贷款债务的风险，对于商业银行来说，违约风险主要是指由于贷款人得还款能力下降或者信用水平降低从而违约。 （5）信用记录是非常优秀的，就归类为很有可能违约。 括号中的数字表示符合该决策准则的案例的数量以及根据该决策不正确分类的案例的数量。 预测值 行合计 不违约 违约 不违约 76000.380 77000.385 15300 违约 10000.050 37000.185 4700 列合计 8600 11400 20000 表5 商业银行要从贷款中获利，就必须加强对于贷款的风险管理，在进行单一评估的同时从大量规律中获取经验，对于人力无法理解的大规模数据，就需相关研究来获取有用的规律，帮助商业银行及其他金融机构做出决策，而决策树对银行及金融机构来说就是一种很好的决策管理方法
1.2K10发布于 2021-06-15 - 来自专栏智慧气象
雷电预警监测系统：高风险领域提供防雷减灾决策支持
雷电预警监测系统：高风险领域提供防雷减灾决策支持【TH-LD1】雷电预警监测系统作为防雷减灾的核心技术手段，通过实时感知、精准预测和智能决策支持，为高风险领域构建了从预警到响应的全链条防护体系。 一、系统技术架构：多源数据融合与智能决策引擎多维度监测网络大气电场监测：部署分布式电场仪，实时捕捉地面电场强度变化，识别雷暴云形成初期特征。 风险热力图生成：结合GIS技术，将雷电风险等级可视化，标识高风险区域及移动路径。阈值动态调整：根据行业特性（如化工品燃点、电力设备耐压值）自定义预警阈值，实现差异化防护。 决策支持平台多级预警机制：设置蓝/黄/橙/红四级预警，匹配不同响应措施（如暂停户外作业、启动防雷装置）。应急预案库：集成行业防雷标准，自动生成处置流程（如人员撤离路线、设备断电顺序）。 二、高风险领域应用场景能源行业风电场：提前30分钟预警雷击风险，触发风机叶片收桨、偏航对风，避免叶片雷击损坏。光伏电站：根据雷电强度自动调整逆变器输出功率，减少电弧火灾风险。
40210编辑于 2025-08-20 - 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。
42031编辑于 2023-08-28 - 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,
67530发布于 2020-05-08 - 来自专栏王的机器
信用风险建模 in Python 系列 5 - 阈值模型概述
本文含 1845 字，2 图表截屏 建议阅读 10 分钟 引言 本文是「信用风险建模 in Python」系列的第五篇，其实在之前的 Cufflinks 那篇已经埋下了信用风险的伏笔， 信用组合可视化 信用风险 101 独立模型 - 伯努利模型 独立模型 - 泊松模型 混合模型 - 概述 注：由于每次我都是在 word 里写好，然后再在微信公众里编辑。
95020发布于 2020-08-20 - 来自专栏云云众生s
外包开发的5大风险及如何规避
译自 5 Risks of Outsourcing Development and How to Avoid Them，作者 Liz Ryan。 但外包并非万无一失，依赖这种劳动力类型的公司会让自己面临各种风险。 5. 隐藏成本和预算超支 57% 的公司在其外包项目中出现财务超支，因此控制成本对于防止预算和时间表失控至关重要。预测隐藏成本（如意外许可费或为减轻意外情况所需的额外开发时间）可能具有挑战性。 随着软件支出预计将超过 5 万亿美元，企业必须保持警惕，在必要时降低成本。外包旨在成为一种缓解措施。防止额外成本潜入预算有助于确保此策略实现其目标。 在风险中取得成功 风险在任何商业活动中都是不可避免的。对于软件开发团队而言，与外包开发团队合作也不例外。当支出失控时，这种做法可以以较低的成本提高生产力。
1.4K10编辑于 2024-03-28 - 来自专栏今天有没有多懂一点工业安全
5 种降低 OT 网络勒索软件风险的方法
为了适当地强化 OT 基础设施并降低勒索软件攻击的风险，这里有 5 条 建议： 1. 扩大风险治理的范围，包括任何网络物理资产我们必须知道我们公司拥有什么。 5. 对勒索的事件响应计划进行练习。要为勒索软件攻击做准备，公司必须创建攻防演练并定期练习。这些可以帮助了解风险和提高事件响应能力的好机会。 通过采取一些简单的基础步骤，可以降低勒索软件对工业环境造成的风险。
51410编辑于 2022-05-10 - 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。
1.5K21发布于 2018-12-14 - 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
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。 决策问题分类 确定型、非确定型、风险型 决策问题通常分确定型、非确定型、风险型三种。 由于决策问题的性质不同，群体决策与个人决策的差异及决策人个人的风格不同，其决策的时间和决策的方法也不相同。 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。 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 ----
4.4K20发布于 2020-04-01 风险规则引擎-RPA 作为自动化依赖业务决策流程的强大工具
RPA 的风险得说的是，光用 RPA 并不能解决所有问题。自动化典型的业务流程并不能提供直通式处理、个性化或真正的数字业务。为了最大化流程自动化的价值，你还得把流程依赖的决策也自动化了。 安全的业务敏捷性：决策管理确保决策可访问分配给业务用户，以便他们可以更改它，并且可以在多个流程之间共享它。决策管理确保决策组件灵活且易于安全更改。 识别决策允许应用 RPA 来自动化流程的其余部分，而不会冒关键业务决策在此过程中被掩盖或丢失的风险。 对决策进行建模：使用 DMN 标准构建的决策模型充当管理实际决策复杂性的蓝图 决策的结构和底层决策逻辑可以使用图形模型和决策表进行管理。DMN 将原本杂乱的分支和嵌套逻辑封装到单个新的决策活动。 使用 RPA 将流程的非决策组成部分整合在一起：根据决策模型的要求，组合每个决策任务所需的数据。决策模型可确保仅包含做出决策所需的数据。
28600编辑于 2025-09-15毫秒级风控决策：基于Go集成天远贷前风险报告接口系统
这里我们重点关注两个对风控决策最致命的子产品：谛听多维报告(DWBG8B4D)和个人司法涉诉查询(FLXG7E8F)。 场景化应用：构建自动化决策流利用上述Go结构体，我们可以轻松编写一个风控决策函数（DecisionEngine）。 若等级为"D"(高风险)，系统应立即拦截并在日志中标记为“高危涉诈”。 场景三：活跃度与沉默号检测(ActivityCheck)在baseInfo中，检查status字段：沉默号/风险号:如果status返回4(沉默号)或5(风险号)，这通常是养号或小号的特征，非真实活跃用户 结语使用Go语言集成贷前风险报告API，能够充分发挥静态语言在处理复杂数据结构时的安全性和性能优势。
23810编辑于 2026-01-04深度解析天远数据风险决策API：多维度征信数据清洗与价值挖掘
本文将深入解析风控决策接口(JRZQ3P01)。这是一款专为信贷业务设计的智能风控辅助工具，它不仅能识别严重逾期、多头借贷等传统风险，还能精准判断用户的贷款类型（如网贷、银行业务）及疑似欺诈行为。 response=requests.post(url,headers=headers,json=payload)res_json=response.json()ifres_json.get("code")==0:#5. 风险状态详情(lastCondition)该对象中的字段值为1代表命中，0代表未命中。 isConsume(消费金融):场景化借贷，通常风险可控。4.应用价值与落地建议在实际的业务架构中，天远风控决策API不仅仅是一个查询接口，更是风控决策引擎的数据基石。 5.总结天远风控决策接口通过标准化的评分体系（A-F）和详尽的风险标签，极大地简化了信贷风控系统的开发复杂度。
37510编辑于 2025-12-025个维度帮你做决策
摘要： 面对市场上众多的多模态理解模型，如何做出合适的选型决策是许多技术团队面临的挑战。本文从技术架构、支持模态、工程性能、成本结构、接入效率五个维度，提供系统性的选型分析框架。 智能巡检场景：侧重目标定位精度、7×24小时持续理解能力、响应时延 直播电商场景：侧重多模态联合理解能力（画面+音频）、实时性要求 影视传媒场景：侧重长视频理解能力、视频结构化性能、分镜拆解精度 7.2 选型决策流程建议 建议按以下流程进行选型决策： 明确业务需求：梳理需要支持的理解模态、输入素材特点、性能要求、成本预算 初步筛选：基于技术架构、支持模态等维度，筛选符合基本要求的模型 实测对比：利用免费试用额度，对不同模型进行实测对比 成本测算：基于实测的Token消耗数据，测算不同方案的总体成本 综合评估：结合技术能力、成本、接入效率、技术支持等因素，做出最终决策 7.3 VITA多模态理解模型的定位 VITA是腾讯云优图实验室自研的多模态理解大模型 八、总结 多模态模型选型是一个需要综合考量技术、成本、效率等多方面因素的决策过程。通过从技术架构、支持模态、工程性能、成本结构、接入效率五个维度进行系统性分析，可以使选型决策更加客观和有依据。
17710编辑于 2026-06-23
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