- 综合排序
- 最热优先
- 最新优先
炎鹊AI ，AIGA决策大脑：重构AI应用的智能决策范式
3. 技术验证：在金融领域的“贷款审批”测试中，AIGA决策大脑可在3分钟内完成100笔贷款的全流程审批，准确率达96.8%，比人工审批效率提升了8倍；在制造领域的“生产调度”任务中，可根据设备故障、订单变更等动态调整排产计划 3. 技术验证：在零售领域的“智能营销”测试中，AIGA决策大脑训练的“爆款商品预测模型”，在运行3个月后准确率从初始的78.2%提升至92.5%；在医疗领域的“慢病管理”场景中，系统通过学习10万+患者的随访数据 医疗健康：AI辅助诊断与慢病管理2. 生产制造：智能排产与设备预测性维护3.
40810编辑于 2026-01-02- 来自专栏xiaosen
AI - 决策树模型
： 特征选择：选取有较强分类能力的特征 决策树生成 决策树剪枝 ID3 决策树 ID3 树是基于信息增益构建的决策树，算法的核心在于使用信息增益作为属性选择的标准，即在每个节点选择尚未被用来划分的 C4.5 决策树 C4.5决策树算法是ID3算法的改进版本，它使用信息增益率来选择划分特征。 C4.5算法在构建决策树时采用了与ID3算法相似的自顶向下的贪婪搜索策略，但它在以下几个方面进行了重要的改进和优化： 信息增益率：C4.5算法使用信息增益率而非信息增益来选择划分特征。 它与之前的ID3和C4.5算法不同，CART能够处理连续型数据的分类以及回归任务。CART生成的是二叉树，这意味着在每个非叶节点上只会有两个分支。这样的结构有助于简化模型，提高解释性。 这与信息增益（率）的概念相反，后者是在ID3和C4.5中使用的。 基尼指数值越小（cart），则说明优先选择该特征。假设有一个包含两个类别的数据集，其中类别A有10个样本，类别B有20个样本。
86410编辑于 2024-03-24 - 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。
88650发布于 2020-01-07 - 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
92610编辑于 2023-12-06 - 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
56220发布于 2019-07-02 - 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。
97740发布于 2020-01-14 - 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 - 来自专栏存储公众号：王知鱼
DaaS：AI、数据管道与决策（译文）
按：这期英文节目，鹏弟听了不下3遍，有感语言文化间隔，为了更好理解对话内容，将原文[1]做了转译。 Take Away AI对数据管道的影响：更多是演化而非革命 尽管AI备受关注，George Fraser指出，数据管道的基本需求并没有发生剧烈变化。 今天的嘉宾是乔治·弗雷泽（George Fraser），他是Fivetran的合伙人兼CEO，Fivetran[2]是一家领先的数据集成平台，年收入超过3亿美元。乔治，欢迎参加我们的节目。 ! Host：2020年3月我也犯了个错误。当时我觉得疫情被夸大了，不是什么大事。所以，当标普500指数下跌时，我觉得这不过是小题大做，我就决定投资标普500指数。 2020年3月，市场就已经定价了这种大范围经济衰退的风险，人们可能会失业，收入减少。直到后来，我们才意识到疫情对经济的影响远超预期，恢复也需要更长的时间。
44710编辑于 2025-02-11 AI解决方案的决策工具
现在公司用AI的地方会越来越多。数字化能让公司像原子一样精细运营，每天能对客户、产品、供应商、资产或交易做出上百万个决策。但是这些决策不能靠在电子表格上工作的普通人来完成。 我们把这些由AI驱动的精细决策叫做“微观决策”。这需要一个彻底的转变，从做决策变成“关于决策的决策”。你们得用规则、参数和算法在新的抽象层面上管理。这种转变正在每个行业和各种决策中发生。 自动化是通过算法（决定微观决策的规则、预测、约束和逻辑）实现的。这些决策算法通常被称作人工智能（AI）。关键问题是，人类管理者怎么管理这些算法驱动的系统呢？从概念上讲，自治系统很简单。 一家财富500强公司正在大力投资使用AI来改善其运营。他们认识到，AI的价值通常来自于帮助人类更好地完成工作。一个例子是帮助调度员更有效地处理票据和路线。 这些系统将代表您做出越来越细粒度的微观决策，从而影响您的客户、员工、合作伙伴和供应商。要取得成功，您需要了解与AI交互的不同方式，并为每个AI系统选择正确的管理选项。
27510编辑于 2025-09-18- 来自专栏奇点大数据
AI是如何做决策的？
太拘泥于细节的AI AI（人工智能）无所不能。据社交网站“脸谱”披露，要想欺骗AI把某个不存在的东西当作真实存在，比你想象的要容易得多。 ? 譬如，在一张高清晰度的图片中，随机地降低某些地方的像素。 他们将能够操纵无人驾驶汽车狂奔，无视红绿灯；或者让犯罪嫌疑人轻易躲过AI控制的监控摄像头。 AI的决策规则不易被人知 为了解决这个问题，这就需要先去了解AI是如何做决策的，但这一直是个难题。 因为AI在自我学习过程中，经过海量的数据训练之后，会自创一套决策规则，但它最后创立的规则到底是什么，这对于AI的设计者有时候都是一个谜。这一点其实跟人也是相似的。 一窥AI的决策过程 格林在给图片分类的一个AI上测试了他的系统。这个AI被训练把图片分成10个类，包括飞机、鸟、鹿和马等。 从这里可以看出，AI做决策的过程迥异于我们人类。面对一张鹿的图，即使把它的角打上马赛克，我们也还是可以根据分叉的蹄子认出鹿来的，但对于“死板”的AI，它很可能就把它认作驴了。
1K10发布于 2018-07-24 - 来自专栏AI科技评论
数据越多，AI决策模型越脆弱
数据在很大程度上决定了AI系统的性能、公平性、稳健性、安全性和可扩展性。 那么，用足够多的数据训练而来的AI系统，能够做出正确的决策么？ 以上这些子问题，对于决策过程异常重要。 假设访问更多数据是决策者做出更好决策的关键，所以研究者希望喂给系统越多数据，AI越好的做出决策，拥有更少的负面影响。 3 什么是反脆弱人工智能？ 在系统思维中，“反脆弱”是一种设计，不仅可以从故障中恢复，而且在遇到故障时更加强大、更有效。基于实际改善决策的因素构建 AI 系统将为反脆弱人工智能创造机会。 这时候，AI决策模型的作用是提示医生将可能的疾病类型纳入他的决策树，所以尽管可能数据不佳，但患者的治疗效果却有所改善。 如果 AI 是改善决策，那么 AI 应该引导决策者进行假设检验，而不是试图超越专家。 当 AI 试图胜过专家，它完全取决于接收到的数据的质量，从而产生了一系列漏洞，攻击者可以轻松地利用这些漏洞。
69930发布于 2021-08-24 - 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
72510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,
43610编辑于 2023-12-07 AI赋能下的数据驱动决策
这让我突然意识到，我们正站在一个历史性拐点上——AI正在悄然重塑每一个传统行业的DNA。 AI不是工具，是新生产力 很多人把AI理解成简单的工具替代，认为无非就是让机器干点重复性工作。 这种自主决策能力，让工厂从标准化生产进化到智能化制造。 更值得关注的是，AI正在打破传统行业的边界壁垒。 银行开始做电商，电商平台做起金融，滴滴搞起了外卖。 这些看似八竿子打不着的业务跨界，实际上都指向同一个核心——AI赋能下的数据驱动决策。 AI重塑人才结构 AI对传统行业最大的冲击，不是取代某个具体岗位，而是重塑了整个行业的人才结构。 AI变革已经开始了，你准备好了吗？
20710编辑于 2026-02-02- 来自专栏算法进阶
10个解释AI决策的Python库
本文整理了10个常用于可解释AI的Python库，方便我们更好的理解AI模型的决策。 什么是XAI？ XAI（Explainable AI）的目标是为模型的行为和决策提供合理的解释，这有助于增加信任、提供问责制和模型决策的透明度。 因为这些领域的错误决策成本很高（风险很高），所以XAI 变得越来越重要，因为即使是 AI 做出的决定也需要仔细检查其有效性和可解释性。 可解释性实践的步骤 数据准备：这个阶段包括数据的收集和处理。 3、Eli5 ELI5是一个Python包，它可以帮助调试机器学习分类器并解释它们的预测。 它是一个用于可解释AI (XAI)的Python机器学习库，提供全方位的可解释AI和可解释机器学习功能，并能够解决实践中解释机器学习模型所做决策的许多痛点。
69610编辑于 2023-11-30 - 来自专栏AI科技大本营的专栏
AI时代，如何缓解CMO的决策焦虑？
李稻葵从经济学角度阐释了人工智能商业决策的万亿市场。在他看来，人工智能的革命会超越电气化蒸汽机的革命，AI 决策将成为改写社会经济发展进程的里程碑。 ▌MIP 亮相，模拟 CMO 决策场景 黄晓南 品友互动创始人兼 CEO 黄晓南表示，将品友的 AI 能力赋能决策者是我们的目的，对此品友推出首个 AI 赋能的营销云决策平台 MIP（Marketing 为了呈现更直观的 AI 决策赋能效果，品友互动联合创始人兼 COO 谢鹏在现场利用 MIP 系统进行了真实的 CMO 决策模拟演示，MIP 是如何将自身的人工智能技术能力悉数赋能给所有企业，帮助 CMO ▌品友与京东云达成战略合作 ，共同打造 AI 营销平台“Matrix智麦” 品友互动宣布与京东云达成战略合作，双方将共同打造 AI 营销决策平台 Matrix 智麦——致力于构建一个完整的营销生态体系， 品友互动创始人兼 CEO 黄晓南强调，在 AI 时代，AI 决策能力将撬动万亿市场价值，深刻影响社会经济发展变革。
66220发布于 2018-07-23 YashanDB如何配合AI技术实现智能决策
针对AI模型的大数据训练，分布式部署支持线性扩展的计算能力，充分利用多节点并行计算，加速模型训练过程。共享集群的多活架构保障实时推理环境的稳定可靠，支持AI实时决策的高可用需求。 智能SQL引擎与向量化计算加速AI决策YashanDB的SQL引擎采用基于成本的优化器（CBO），依据丰富的统计信息动态生成最优执行计划，灵活响应AI决策所需的复杂查询和多表连接。 分布式执行与高可用机制支撑AI智能决策连续性分布式SQL执行通过协调节点（CN）和数据节点（DN）的多级并行，实现任务拆分和负载均衡，支撑海量数据集上的AI复杂运算。 流程自动化与智能优化建议根据AI智能决策业务负载特点，合理选择YashanDB的部署形态，单机适合小规模实时决策，分布式适合大数据训练，集群适合多活并发推理。 未来，随着数据规模的持续扩大和AI算法复杂度的提升，数据库系统对于智能决策支持的优化将成为核心竞争力，YashanDB将持续推进技术创新，为智能决策注入更强的动力。
20610编辑于 2025-10-12- 来自专栏机器学习与统计学
决策树（Decision Tree）ID3算法
决策树仅有单一输出，若欲有复数输出，可以建立独立的决策树以处理不同输出。数据挖掘中决策树是一种经常要用到的技术，可以用于分析数据，同样也可以用来作预测。 shannonEnt -= prob * log(prob, 2) return shannonEnt 海洋生物数据，如下 不浮出水面是否可以生存 是否有脚蹼 属于鱼类 1 是 是 2 是 是 3 return listOfTrees[i] 测试方法 print getNumLeafs(retrieveTree(0))print getTreeDepth(retrieveTree(0))[out] 3[ 为了减少过度匹配的问题，可以裁剪决策树，去掉一些不必要的叶子节点。 总结 ID3算法无法直接处理数值型数据，可以用户划分标称型数据集。构造决策树时，通常使用递归的方法将数据集转化为决策树。 除了ID3算法以外，还有其他决策树的构造算法，最流行的是C4.5和CART
1.1K30发布于 2019-04-08 - 来自专栏数据科学与人工智能
【算法】决策树与ID3算法
决策树构造 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。决策树构造可以分三步进行：特征选择、决策树的生成、决策树的修剪。 3. 熵（entropy）概念： 信息和抽象，如何度量？ 决策树归纳算法 （ID3） 决策树方法最早产生于上世纪60年代，到70年代末。由J.Ross.Quinlan提出了ID3算法，此算法的目的在于减少树的深度。但是忽略了叶子数目的研究。 C4.5算法在ID3算法的基础上进行了改进，对于预测变量的缺值处理、剪枝技术、派生规则等方面作了较大改进，既适合于分类问题，又适合于回归问题。 决策树的典型算法有ID3，C4.5，CART等。 C4.5算法是机器学习算法中的一种分类决策树算法,其核心算法是ID3算法。C4.5算法产生的分类规则易于理解，准确率较高。
1.5K50发布于 2018-03-27
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