- 综合排序
- 最热优先
- 最新优先
- 来自专栏趣Python
机器学习（9）决策树
决策树仍然是监督学习方法，其基本思路跟我们人做一些决策的思路类似：可能要下雨，那就带伞；可能要停水，那就提前备水…… 这个决策的数学模型是熵。 决策树的模型中，无论是ID3，还是C4.5，亦或者是CART，它们在每个节点做判据的目标都是为了让熵最小化！ 核心的内容已经说完了，具体的内容参见如下的推导，一些数学公式的细节可以自行网查。 决策树的算法推导流程如下： ? 如下示例的题材，最后一列是结果，其他列是输入。 ? ID3的手推示例如下所示： ? ? ? CART的手推示例如下所示： ? ? ? ?
50020发布于 2020-06-05 - 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。 ▲不规则的决策边界的绘制方法 这里只是随便举了一个例子，上图中红色点与蓝色点的边界处就是决策边界，可以看出此时的决策边界非常的不规则。 上图就是kNN算法在三分类上的决策边界，这个决策边界非常的不规则。
3.1K20发布于 2020-02-26 - 来自专栏合集
机器学习day9-决策树
决策树 决策树自上而下，对样本数据进行树形分类的过程。决策树由结点和有向边组成。结点又分内部结点和叶结点。每个内部结点表示一个特征或属性，叶子结点表示类别。 决策树是最基础且常见的监督学习模型，可以用于处理分类问题和回归问题。 决策树的生成包括：特征选择，树的构造，树的剪枝三个过程。 决策树常用的启发函数 常用的决策树算法有：ID3，C4.5和CART，那么它们的启发式函数是什么？ ID3-最大信息增益 对于样本集合D，类别数为K，数据集D的经验熵表示： ? 其中， ? 提高决策树的泛化能力。 ID3应用于离散变量，C4.5和CART都可以用于连续变量。
57120发布于 2020-06-11 炎鹊AI ，AIGA决策大脑：重构AI应用的智能决策范式
，让AI真正成为“懂业务、能决策、可落地”的行业智能中枢。 本文将从技术架构、核心能力、行业落地价值三个维度，深度解析AIGA决策大脑的技术内核，揭示其如何重构AI应用的决策范式。 应用层：行业专属AI应用的快速落地AIGA决策大脑通过低代码开发平台（LCDP），将决策能力封装为 “智能组件”，支持企业快速构建行业专属AI应用：组件化封装：将“任务分解引擎”“工具调用接口”“上下文记忆模块 决策过程的可解释性：从“黑盒决策”到“透明化推理”垂直行业AI应用的落地，往往受困于“决策过程不透明”——例如，医疗领域的AI诊断系统若无法解释“为什么诊断为肺癌”，医生就无法信任其结果；金融领域的风控系统若无法解释 未来，炎鹊AI将继续深化AIGA决策大脑的技术研发，重点突破 “多模态决策”“跨行业知识迁移”“边缘计算部署”等方向，让AI真正成为垂直行业的“智能引擎”，推动千行百业的数字化转型。
40810编辑于 2026-01-02- 来自专栏xiaosen
AI - 决策树模型
决策树算法 决策树的思想来源可以追溯到古希腊时期，当时的哲学家们就已经开始使用类似于决策树的图形来表示逻辑推理过程。然而，决策树作为一种科学的决策分析工具，其发展主要发生在20世纪。 在20世纪50年代，美国兰德公司的研究人员在研究军事策略时首次提出了决策树的概念。他们使用决策树来分析和比较不同的军事策略，以帮助决策者做出最佳选择。 每一个节点代表一个决策或事件，每一个分支代表一个可能的结果，而树的每一个路径则代表一种可能的决策序列。这种思想的朴素之处在于，它直接模仿了人类在日常生活中做决策的过程。 这些因素可以构成一个决策树，其中每个因素是决策节点，每个选择是方案枝，最终到达叶子节点，即做出决策。 ： 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
86410编辑于 2024-03-24 - 来自专栏NowlNowl_AI
机器学习第9天：决策树分类
介绍 作用：分类 原理：构建一个二叉树，逐级条件判断筛选 基本思想 假如有小明，小红和小张三个人，我们知道他们的身高体重，要通过身高体重来判断是哪个人，决策树算法会构建一个二叉树，逐级判断，如下 DecisionTreeClassifier tree_clf = DecisionTreeClassifier(max_depth=2) tree_clf.fit(X, y) max_depth参数设置的是决策树的深度 ，上图的深度是2，它代表决策的次数 深度探索 优点 我们来看决策树的过程：每到一个节点进行一次询问，然后将数据集分向其他的节点，这样的特性决定了数据不需要经过特征缩放的处理 估计概率 决策树模型可以输出每个类的概率 这将输出每个类的概率 model = DecisionTreeClassifier(max_depth=2) model.fit(x, y) model.predict_proba(x) 训练算法 决策树的训练算法被称为 它的公式为 为第k类的实例数 为总实例数 正则化 为了防止过拟合，我们当然要进行正则化，决策树的正则化通过控制参数max_depth来决定，越大则越可能过拟合 在鸢尾花数据集上训练决策树 from sklearn.datasets
32810编辑于 2024-01-18 - 来自专栏存储公众号：王知鱼
DaaS：AI、数据管道与决策（译文）
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。 他认为，目前AI对客户数据管道需求的影响并不大，主要的变化是能让机器处理非结构化的文本数据。 RAG的兴起：增强内部知识库 AI在增强型生成检索（RAG）领域取得了显著进展。 在这种情况下，投资决策可以成为一个很好的反例，展示了在面对错误的证据时，如何进行决策的逆转。你是如何做到的？你把它写下来了吗？当事实与预期不符时，你如何调整决策呢？ George：而且，AI在某些问题上依旧力不从心。比如，如果你让一个AI在九进制下做算术，它就做不到。尽管这种数学本身并不复杂，但对这些AI来说却依旧是个难题，表明它们在某些方面仍存在很大的空白。 在某个时刻，假设你大约9岁、10岁时，你参与了这个“阴谋”，并且积极参与反对其他年轻人。这种情境似乎有点像，你在某个点上会被读到。 George：这次经历给你带来了什么教训呢？
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。 AI很容易受到不良数据的影响，因为我们过分强调了它在分类和识别方面的应用，而低估了它在建议和情境化方面的应用。然而，决策型AI又非常容易被破坏。 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 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。 Explanations with Monotonic Attribute Functions, 2019. ref Generalized Linear Rule Models, 2019. ref 9、 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 ----
4.3K20发布于 2020-04-01 - 来自专栏ADAS性能优化
AI Weekly | Nov. 9, 2019
Researchers tout AI that can predict 25 video frames into the future In a preprint paper, researchers propose an AI model that can predict up to 25 video frames into the future given only two to five starting Applause targets AI bias by sourcing training data at scale Software-testing company Applause wants to reinvent AI testing with a service that detects AI bias by crowdsourcing larger training data sets. Remember that scary AI text-generator that was too dangerous to release?
30710编辑于 2022-05-13 AI智能决策分析系统：从数据洞察到精准执行的决策新范式
在数字化转型浪潮中，企业面临的决策复杂度正呈指数级增长。传统依赖经验的决策模式已难以应对海量数据的实时处理与深度挖掘需求。 AI智能决策分析系统应运而生，依托机器学习与大数据技术，将分散的业务信息转化为可视化洞察与可执行策略，助力管理者精准定位问题、科学预测趋势并制定最优路径。 应用场景解析应用场景传统方式痛点AI方案优势市场需求预测人工采样偏差大、周期长全渠道数据融合 + 时序预测模型客户分群管理标签体系固化、更新滞后动态聚类算法 + 行为特征迭代供应链调度经验主义主导、抗风险弱多目标优化算法 总结AI智能决策分析系统正在深刻重塑商业世界的决策范式：从“拍脑袋”到看数据，从凭经验到靠算法，从滞后响应到前瞻布局。 当每个业务决策都能获得智能系统的实时反馈与优化建议时，企业将在日益复杂的竞争环境中构建起可持续的决策优势。
87410编辑于 2025-10-27AI决策分析平台：让数据替你“出主意”，决策不再靠“拍脑袋”
而AI决策分析平台的出现，正用技术打破这种困境，把复杂数据变成清晰答案，让决策从“凭经验”变成“靠数据”，不用懂高深算法，普通人也能轻松用。AI决策分析平台的核心，是给数据装上“智能大脑”。 数据整理好后，AI不用人指挥，就能自己找规律。 这个平台最实用的地方，是让决策效率翻倍。 AI决策分析平台的本质，不是替代管理者，而是用技术把“数据找规律、信息做汇总、方案提建议”这些繁琐工作扛下来，让管理者把精力放在核心判断上。 对企业来说，AI决策分析平台不是可有可无的“黑科技”，而是提升竞争力的“必备工具”——毕竟在数据时代，谁能更快读懂数据、做出正确决策，谁就能抢占先机。
35310编辑于 2025-11-24- 来自专栏程序猿声
Python AI 教学 |决策树绘制函数介绍
1 基本思想 前面的推文Python AI 教学 | 决策树算法及应用中我们已经介绍了如何从数据集中创建树，我们是用字典类型来存储决策树的，然而字典的表示形式非常不易于理解，决策树的主要优点就是直观易于理解 2 算法实现 1.获取决策树的叶节点数和树的层数 为保证绘制的决策树具有美观的比例和位置，我们必须要知道叶节点数和树的层数，以便正确确定x轴与y轴的长度。 【求叶子节点数】 ? 【求树的层数】 ? 2.图示决策树 ? ? ? ? 函数说明 —— annotate ? 可以在数据图形上添加文本注释，内嵌支持带箭头的划线工具，使得可以在其他恰当的地方指向待注释内容。
1.7K21发布于 2019-07-10 深耕AI舆情监测，赋能企业智慧决策
公司创立伊始便锚定“数据驱动未来，智能创造价值”的理念，以技术为矛、以需求为盾，构建起融合数据采集、智能分析、风险预判与决策支持的全链条服务能力。 全自动报告生成系统 可节省 70%人工分析成本 ，30秒输出含热词云、趋势曲线、传播图谱的可视化报告，助力高效决策。 科研协作：开放数据接口与算法模型，支持高校AI研究、社会计算等前沿课题验证。 创新伦理：在算法模型中嵌入偏见校验模块，杜绝AI伦理风险，保障分析客观性。 五、未来征程：做智能化时代的“决策大脑”鸿宝科技的愿景远不止于舆情监测：技术前瞻：加速 生成式AI（AIGC） 与舆情系统的融合，实现策略模拟推演、自动生成公关话术。
61810编辑于 2025-08-18
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