- 综合排序
- 最热优先
- 最新优先
- 来自专栏Michael阿明学习之路
6. 决策树
中文翻译参考 《统计学习方法》决策树笔记 决策树可以分类，也可以回归，还有多输出任务 是随机森林的基础组成部分 1. filled=True ) 安装好Graphviz，在cmd下输入 dot -Tpng iris_tree.dot -o iris_tree.png # cmd，生成决策树可视化图片 分类预测 决策树特性：不需要太多的数据预处理，尤其是不需特征缩放或归一化 tree_clf.predict_proba([[5,1.5]]) # array([[0. 模型参数 决策树不需要事先设置参数，不添加约束的决策树模型，能很好的拟合数据，容易过拟合 min_samples_split（节点在被分裂之前必须具有的最小样本数） min_samples_leaf（叶节点必须具有的最小样本数 不稳定性 决策树 对旋转很敏感，可以使用 PCA 主成分分析，缓解 ? 决策树 对训练数据的微小变化非常敏感，随机森林可以通过多棵树的平均预测值限制这种不稳定性
49310发布于 2021-02-19 - 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 - 来自专栏机器学习原理
机器学习（6）——决策树前言：
4 重复上述操作,直到产生的剪枝决策树T只有1个节点 5 得到决策树T0T1T2…Tk 6 使用验证样本集选择最优子树Ta 问题来了，如何计算非叶子节点的剪枝系数呢？ (tre,"model/tre.m") mm = joblib.load("model/mm.m") tre = joblib.load("model/tre.m") x=np.array([[6,3,1,0.1 3深度，训练集上正确率0.75556 4深度，测试集上正确率0.81905 4深度，训练集上正确率0.75556 5深度，测试集上正确率0.81905 5深度，训练集上正确率0.71111 6深度 ，测试集上正确率0.85714 6深度，训练集上正确率0.66667 7深度，测试集上正确率0.85714 7深度，训练集上正确率0.66667 8深度，测试集上正确率0.85714 8深度， 决策树深度对模型的影响 分析：从图中可以看书，随着树的深度的加深，正确率会提高，达到临界值之后（树的深度为6），训练集正确率达到最高，而测试集正确率开始下降，多以决策树的深度越深就会出现过拟合。
1.6K100发布于 2018-04-27 - 来自专栏FreeBuf
浅谈IPv6的风险防御
那么我们如何解析为ipv6的地址，让它走ipv6的流量呢。 在linux下： ping6 (域名或者ipv6地址) ? 不过如果pc请求端配置错误的情况下，可能会出现： ? windows下当支持ipv6的时候如何解析ipv6呢？ ping -6 (ipv6地址) ? 配置 windows ? DNS服务器设置为240c:6666。 基本配置： 1.攻击端 硬件：阿里云IPv6主机一台 网络：IPv6地址（xxxx） 2.服务端 硬件：外网网站同配置的冗余主机 网络：IPv6地址（xxxx） 验证工具：IPv6攻击工具套件、AWVS 由于IPv6协议发布较早，随着IPv6推广的逐步扩大、一些新型攻击方式也不断出现，如利用IPv6扩展报头、NDP协议以及ICMPv6的攻击，都是针对IPv6协议存在的各类缺陷。 经过验证测试，发现IPv6网络的安全防护，存在以下问题： （1）部分安全设备，实际对IPv6的支持不足。如部分安全设备无法查询出IPv6攻击日志，甚至存在IPv6网络连通性的问题。
2.5K40发布于 2019-06-13 - 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。 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。
2.5K51发布于 2018-06-20 - 来自专栏PPV课数据科学社区
数据挖掘系列（6）决策树分类算法
这篇先介绍分类问题的一些基本知识，然后主要讲述决策树算法的原理、实现，最后利用决策树算法做一个泰坦尼克号船员生存预测应用。 二、决策树分类 决策树算法借助于树的分支结构实现分类。下图是一个决策树的示例，树的内部结点表示对某个属性的判断，该结点的分支是对应的判断结果；叶子结点代表一个类标。 ? 输出：一棵决策树. 在第6步中，对应构建多叉决策树时，离散的属性在结点N及其子树中只用一次，用过之后就从可用属性列表中删掉。 比如我们将一个立方体A抛向空中，记落地时着地的面为f1，f1的取值为{1,2,3,4,5,6}，f1的熵entropy(f1)=-(1/6*log(1/6)+...+1/6*log(1/6))=-1*log
2K40发布于 2018-04-23 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
面向深度不确定性的AI灾难风险决策：成本效益平衡点分析框架走向未来人工智能（AI）技术，特别是通用人工智能（AGI）和超级人工智能（ASI）的迅猛发展，正将人类社会带入一个充满无限机遇与潜在风险并存的新时代 当前决策者面临的核心困境是：AI风险的概率和后果都存在着巨大的、甚至可能是无法消除的不确定性。专家们对于p(cat)（AI灾难概率）的估计从0到100%不等，这使得传统的风险管理方法难以适用。 决策者不再需要就AI灾难发生的精确概率达成共识，而是可以共同探讨：在何种风险概率和预防有效性的组合下，一项特定的投资是合理的。 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。 原因有以下几点：一，申请人实际不违约被判为违约，银行可能不会通过贷款申请，从而不发放贷款，这样银行不会遭受贷款发放出去却收不回来的风险，只是少收部分贷款利息而已。 图6是加入代价矩阵的模型分类结果汇总。 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 - 来自专栏王的机器
信用风险建模 in Python 系列 6 - 阈值模型校正
完整代码和数据 链接：https://pan.baidu.com/s/1FVku6WefSBfhRwWILiaCrw 提取码：vx4p 本文是「信用风险建模 in Python」系列的第六篇，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 阈值模型 - 概述 简介：本贴内容主要分三个部分 比对之前介绍的二项模型（违约独立）和阈值模型（违约相关），通过蒙特卡洛模拟损失分布并计算 VaR 和 ES 来验证是否违约相关会增加组合的尾部风险。 文章 代码 ?
1.4K20发布于 2020-08-20 - 来自专栏老张的求知思考世界
全链路压测(6)：确认范围和识别风险
全链路压测是个复杂的跨团队协作的技术工程，所以在实施之前，需要明确项目的范围边界和尽可能提前识别可能存在的风险。这篇文章，就来聊聊落地过程中，如何确定范围边界和识别存在的风险。 识别风险 除了确认压测范围之外，提前识别风险也是很重要的一项工作。常见的风险有如下几种： 1、交付风险 交付风险常见的有：拆分的细项任务无法按期完成，比如核心链路梳理，强弱依赖梳理。 3、环境风险 全链路压测，无论是在单独的性能测试环境进行单机单接口、单机单链路、单机混合链路压测，还是在生产进行压测，对环境的要求是比较高的，特别是生产环境，需要考虑的更多。 4、数据风险 生产全链路压测，最大的风险就是压测产生的数据影响到正常的用户业务数据，导致的数据污染。 上面的内容就是在全链路压测实施过程中，需要考虑的确定范围以及风险识别相关的内容，仅供参考。下一篇，我会和大家聊聊，关于核心链路梳理相关的一些技术细节，敬请期待。
1.4K10编辑于 2022-04-01 - 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
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。 战术决策：为了实现战略决策、解决某一问题做出的决策，以战略决策规定的目标为决策标准。 战略决策是关系企业全局和长远发展的重大问题的决策。是非程序化的、带有风险性的决策。
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- 来自专栏作图丫
8+的基于m6A的lncRNA风险模型构建！
图 2 02 根据LUAD患者的m6A相关的lncRNA构建和验证风险模型 接下来，本研究使用单因素Cox回归分析从TCGA训练集中的1149个m6A相关的lncRNA中筛选出与m6A相关的预后lncRNA 本研究使用Cox风险比率回归分析来区分自体预后蛋白。结果显示，有12个m6A相关的lncRNA是与训练队列中的OS独立相关的预后蛋白，用它们构建了风险模型来评估LUAD患者的预后风险（图3D）。 图 5 03 主成分分析（PCA）进一步验证模型的分组能力 接下来本研究采用PCA分析，基于整个基因表达谱、21个m6A基因、12个m6A相关的lncRNA和12个m6A相关的lncRNA的表达谱分类的风险模型来检验低风险组和高风险组之间的差异 05 评估m6A相关的lncRNA风险预后模型和LUAD的临床特征 为评估12个m6A相关lncRNA的风险模型是否具有LUAD的独立预后特征，本研究进行了单因素和多因素Cox回归分析，结果如图9A所示 风险等级的AUC也高于其他临床病理特征的AUC，说明12个m6A相关lncRNA对LUAD的预后风险模型是比较可靠的(图9C)。
47730编辑于 2022-06-24 - 来自专栏决策智能与机器学习
入门决策树 | 概述篇 | 山人聊算法 | 6th
我们这次来聊聊决策树，决策树是一种可解释性好、对各种非线性情况适应性强的方法。 概念 看图说话，利于理解，决策树是下图这样式儿的。 ? 一般来说决策树的应用用往往都是和某一应用分析目标和场景相关的，比如：金融行业可以用决策树做贷款风险评估，保险行业可以用决策树做险种推广预测，医疗行业可以用决策树生成辅助诊断处置模型等等，当一个决策树的应用分析目标和场景确定 缺点 1）如果你的边界很光滑动，决策树不会很好用。也就是说当你有不连续的实例时，决策树才表现最好。 2）如果有很多不相关的变量，决策树表现的不好。决策树的工作是通过找到变量间的相互作用。 决策树模型定义 分类决策树模型是一种描述对实例进行分类的树形结构，决策树由结点（node）和有向边（directed edge）组成。 决策树的建立主要有三个阶段：特征选择、生成决策树、修剪决策树。本次先简要介绍三个阶段，后续逐渐展开细聊。 ? 特征选择 特征选择的主要准则有信息增益或信息增益比。
64320发布于 2020-08-04 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
1.构建智能化的贷前风控屏障在金融科技飞速发展的今天，无论是汽车金融、消费分期，还是小额网贷业务，核心痛点永远是风险控制。 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。 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 2025-12-02- 来自专栏AI机器学习与深度学习算法
机器学习入门 12-6 决策树解决回归问题
前言 前几个小节一直在使用决策树解决分类问题，其实决策树这种思想也可以非常容易的解决回归问题。使用 CART 这种方式构建决策树之后，训练好的决策树中的每一个叶子节点中都会有很多样本点。 ，实例化决策树回归器全部使用默认的参数。 DecisionTreeRegressor 使用决策树解决回归问题，而 DecisionTreeClassifier 使用决策树解决分类问题。 训练好了决策树，接下来可以调用 score 函数来计算回归模型的准确度。 In[6]: dt_reg.score(X_train, y_train) Out[6]: 1.0 此时训练好的决策树在训练集上的 R Squared 值为 1.0，而在测试集上的 R Squared
3.2K20发布于 2021-01-29 - 来自专栏图像处理与模式识别研究所
Matlab基于最小错误率和最小风险的贝叶斯决策。
1、点击[命令行窗口] 2、按<Shift+Enter>键 3、点击[命令行窗口] 4、按<Enter>键 5、点击[新建] 6、点击[函数] 7、点击[运行] 8、点击[保存]
90720编辑于 2022-05-28 - 来自专栏《C++与 AI：个人经验分享合集》
《人工智能时代：金融投资决策的潜在系统性风险及防范策略》
在当今数字化飞速发展的时代，人工智能（AI）在金融领域的应用日益广泛，特别是在投资决策方面展现出了巨大的潜力。然而，随着其影响力的不断扩大，我们也必须警惕潜在的系统性风险。 其次，模型的过度拟合也是一个不容忽视的风险。当 AI 模型过于适应历史数据，而对新的、未见过的数据表现不佳时，就可能在市场发生变化时做出错误的投资决策。 再者，AI 系统的复杂性和不透明性使得风险难以被准确评估和理解。金融机构和投资者可能难以解释 AI 模型是如何做出决策的，这在出现问题时增加了应对和解决的难度。 使他们了解人工智能在投资决策中的优势和局限性，提高风险意识，避免过度依赖 AI 而忽视了基本的投资原则和风险管理。 总之，人工智能在金融领域的应用为投资决策带来了新的机遇，但我们必须谨慎对待潜在的系统性风险。
68310编辑于 2024-12-09
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