- 综合排序
- 最热优先
- 最新优先
- 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。 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。
4.2K20发布于 2020-04-01 感知融合·决策赋能：智能 AI 识别分析系统重塑产业洞察新范式
识别分析技术迈入多模态认知时代在万物互联与产业数字化加速的背景下，单一模态的识别分析系统面临数据孤岛、场景局限、认知浅层等核心瓶颈。 ：对微小目标、细微变化、相似目标区分能力有限决策支持薄弱：仅提供分析结果，缺乏基于业务逻辑的决策建议AI 驱动的智能分析架构系统构建"感知-解析-认知-决策"四层技术架构：多模态融合引擎实现视觉、语音、 系统可靠性与安全体系针对产业应用的高要求，建立全方位保障机制：多源冗余架构确保单点故障不影响系统运行；数据加密传输保障敏感数据安全；模型鲁棒性增强通过对抗训练提升抗干扰能力；质量监控体系实时监测系统性能并自动优化 持续进化路径未来技术演进聚焦自演进认知与具身智能分析：通过元学习实现小样本快速适应新场景；发展具身智能分析系统，实现从"观察"到"交互"的跨越；构建产业知识联邦，在保护数据隐私前提下实现跨企业协同进化， 最终形成具备自主认知和决策能力的新一代智能分析基础设施。
33310编辑于 2025-10-30关联洞察·智能决策：知识图谱分析系统赋能产业智慧化升级
传统的关键词检索和统计分析难以揭示复杂的关系网络，限制了数据的决策价值。 关联隐藏难挖掘：深层次的、跨域的关联关系（如隐性集团控制、产业链风险传导）难以通过传统分析被发现。语义理解缺失：传统数据库无法理解数据背后的业务含义，搜索“苹果”无法智能区分水果、公司与品牌。 决策支持浅层化：分析报告多基于统计结果，缺乏对事件根源、影响路径的深度推理与追溯能力。 智慧政务与舆情分析融合政策、企业、人才、专利等数据，构建产业知识图谱。政府可分析区域产业链的完整度与脆弱性，精准进行招商引资。在舆情管理中，能可视化呈现热点事件的传播路径与关键节点，把握舆论动向。
45310编辑于 2025-10-28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。
26510编辑于 2025-09-18敏捷决策
1.新兴技术使企业高管能够快速做出更好的决策 当今的信息技术使决策者能够即时接收数据，从而更快、更高效地做出决策。 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，它使企业领导者能够快速执行决策以优化供应链绩效。下面，我们将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。a.有针对性的数据收集：专注于及时性和特定决策要求的决策。 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。此外，它需要支持在整个供应链和组织内部有效地传递决策。 此外，它需要记录决策团队何时拒绝系统建议，并识别因未选择特定行动方案而导致的错失机会。具体来说，决策可追溯性的目标是记录决策是什么、预期结果以及谁做出了决策。
23200编辑于 2025-07-23腾讯地图盖亚(GAIA)平台：时空智能驱动产业决策确定性与增长
洞察产业时空决策痛点 行业面临决策依赖经验、数据价值难挖掘、开发效率低下三重瓶颈。 理想与现实的差距在于：需精准时空数据辅助决策、高效工具降低开发门槛、生态化平台促进价值流通。 构建盖亚平台时空智能底座 腾讯地图时空智能开放平台“盖亚(GAIA)”由腾讯地图位置服务总经理李彬发布，定位为“基于AI+大数据驱动的新一代产业智能升级数字基础设施”。 undefined其他价值：行业数据模型开放平台降低应用门槛、提升计算效率，支持一键部署/安全防护、多框架统一训练；行业智能体开放平台整合时空数据与行业经验，提供专业决策能力。 定位价值：为零售、文旅、出行等产业构建“时空数据分析→精确洞察→智能决策→产业应用”的AI生产力底座，“更易开发、更懂地图、更深入行业”（来源：盖亚平台定义）。
15820编辑于 2026-04-20- 来自专栏小脑斧科技博客
决策树的构建、展示与决策
概述 上一篇文章中，我们介绍了两个决策树构建算法 — ID3、C4.5： 决策树的构建 -- ID3 与 C4.5 算法 本文我们来看看如何使用这两个算法以及其他工具构建和展示我们的决策树。 2. 使用 C4.5 构建决策树 有了上一篇日志中，我们介绍的 ID3 与 C4.5 算法，递归进行计算，选出每一层当前的最佳特征以及最佳特征对应的最佳划分特征值，我们就可以构建出完整的决策树了： 流程图非常清晰 决策树的可视化 上面的 json 结果看上去非常不清楚，我们可不可以画出决策树的树结构呢？ :param myTree: 决策树 :return: 决策树的叶子结点的数目 """ numLeafs = 0 # 初始化叶子 firstStr = list :param myTree: 决策树 :return: 决策树的层数 """ maxDepth = 0 # 初始化决策树深度 firstStr = next
69320编辑于 2022-06-27 决策智能
此外，我将阐明决策智能与决策科学、人工智能、数据科学和商业智能（BI）等同类产品的不同之处。决策智能（DI）定义及其在供应链中的应用 决策智能（DI）是一个相当新的术语。 这是因为决策智能利用了各种分析工具，例如商业智能、数据科学、决策科学和专家AI系统。此外，决策智能功能最好部署为专门专注于决策的软件平台。 因此，企业可以部署决策智能平台进行决策支持、决策增强，甚至自主决策。同时，它与BPA的不同之处在于DI支持决策而不是基于任务的业务自动化。 此外，这些DI系统能够衡量和学习以前的决策，以提高决策有效性。决策智能与其他分析学科 什么是决策智能，以及它与其他分析学科（如决策科学、专家AI、数据科学和商业智能）的比较。 1.决策科学与决策智能。 事实上，决策者一直使用决策科学来指导他们的选择。虽然早期的决策科学以数学和统计学为基础，但计算机的出现增强了它在决策智能和决策支持分析等领域的应用。
37000编辑于 2025-07-22- 来自专栏木东居士的专栏
决策树1：初识决策树
决策树是一个非常有意思的模型，它的建模思路是尽可能模拟人做决策的过程。因此决策树几乎没有任何抽象，完全通过生成决策规则来解决分类和回归问题。 0x01 决策树的思想 1.1 什么是决策树 决策树是一种常见的机器学习算法，它的思想十分朴素，类似于我们平时利用选择做决策的过程。 3 决策树的构建 决策树通常有三个步骤： 特征选择 决策树的生成 决策树的修剪 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。 决策树生成和决策树剪枝是个相对的过程，决策树生成旨在得到对于当前子数据集最好的分类效果(局部最优)，而决策树剪枝则是考虑全局最优，增强泛化能力。 决策树是一个非参数的决策算法，决策树可以解决分类问题，且天然支持多分类问题。
1.6K20发布于 2019-12-23 腾讯地图盖亚（GAIA）发布：基于“双大模型+时空数据”重塑产业开发效率与业务决策
打破空间数据壁垒与消除业务决策盲区 在实体经济与产业数字化的演进中，企业在利用地理位置服务（LBS）时面临显著的战略困境与执行瓶颈： 开发流转成本高： 传统的地图业务开发流程繁琐，开发者在信息检索、代码集成和调试优化上耗费大量时间 决策依赖“经验主义”： 在零售选址、文旅运营等核心业务场景中，管理者往往陷入“凭感觉选区域”的惯性，缺乏基于多维时空数据的量化分析与市场格局洞察。 该平台作为新一代产业智能升级的数字基础设施，深度融合了大语言模型与时空动态模型，提供四大核心模块： LBS AI 开放平台： 提供涵盖开发全流程的AI工具合集（如AI Chat、CodeBuddy IDE 驱动零售与文旅场景的精准决策验证 盖亚（GAIA）平台通过构建不知疲倦的Agent专家，将地理信息转化为可行动的商业洞察，以下为具体应用场景： 零售场景：规避经验选址，锁定最优点位 业务诉求： 某创业者计划开设一家主打女性客群 这种“时空数据+大模型”的组合，赋予了AI真正“懂地图、够专业”的决策能力。
11410编辑于 2026-04-20- 来自专栏数据分析与机器学习
决策树
因此，我们可用信息增益来进行决策树的划分属性选择，即在上述“决策树学习的基本算法”章节中第6行选择属性a_* = argmax_{a\in A}Gain(D,a).著名的ID3决策树学习算法就是以信息增益为准则来选择划分属性 而后剪枝策略针对欠拟合问题明显要优于预剪枝策略，泛化性能往往也要优于预剪枝策略；但是后剪枝策略的问题在于，其是在决策树生成之后进行的，并且要自底向上地对树中所有非叶节点进行逐一考察，因此其训练时间要远远大于未剪枝决策树和预剪枝决策树 决策树的剪枝往往是通过极小化决策树整体的损失函数（loss function）或代价函数（cost function）来实现。 决策树的生成只考虑通过信息增益（或信息增益比）对训练集的拟合程度。而决策树剪枝则通过优化损失函数还考虑了减小模型复杂度，进而提高其泛化性能。 换言之，决策树生成算法只学习局部的模型，而决策树剪枝算法则关注整体的泛化性能。
1.1K41发布于 2019-11-28 - 来自专栏乔新亮
数据化决策
2014年读过的一本好书，才发现这本书对自己的影响深远，自己的很多决策和管理都深受此书影响。 大数据时代，我们能够获得的数据越来越多，这些数据的价值在哪里？ 答案是帮助做更有效的决策。 数据化决策 一书给出了量化不确定性、风险和数据价值的方法，一切都可量化。 如果一项量化工作至关重要，那是因为它会对决策和行为产生一些可感知的效果；如果一项量化工作不能影响或改变决策，那它就没有价值。 减少风险是计算量化价值的基础，也是选择量化什么以及如何量化的基础。 我们来看看书中数据化决策分析的一个问题： 顾客等待商家支持热线的时间越久，挂电话的概率就越高，这给业务造成了多少损失？ 一切皆可量化，包括幸福、健康和人生有关的价值。 一切兼是概率，一切都可数据化决策！ 大数据时代，开始我们的数据化决策旅程吧！
1.2K40发布于 2020-05-15 腾讯地图发布时空智能开放平台GAIA，以AI与大模型驱动产业决策升级
破解传统选址与运营决策中的低效与盲区 零售、文旅、出行等行业在门店选址、客流分析、运营策略制定中长期依赖人工经验，存在决策周期长、数据维度单一、难以量化评估等问题，导致资源错配与增长瓶颈。 企业亟需精准、实时、可量化的时空数据分析能力，以提升决策效率与准确性。 GAIA平台以AI与大模型技术重构时空智能决策闭环 腾讯地图时空智能开放平台GAIA（Geospatial Artificial Intelligence Atlas）深度融合腾讯混元大模型与时空动态大模型 ，提供从数据洞察、智能决策到应用落地的全链路能力。 平台获2024年中国地理信息产业优秀工程金奖，并服务零售、文旅、出行等数百家行业客户，验证了技术领先性与产业实用性。
20320编辑于 2026-04-20- 来自专栏数据处理
决策树
决策树归纳的基本算法是贪心算法，它以自顶向下递归各个击破的方式构造决策树。 贪心算法：在每一步选择中都采取在当前状态下最好的选择。 在其生成过程中，分割方法即属性选择度量是关键。 根据分割方法的不同，决策树可以分为两类：基于信息论的方法（较有代表性的是ID3、C4.5算法等）和最小GINI指标方法（常用的有CART，SLIQ及SPRINT算法等）。
79640发布于 2018-06-01 - 来自专栏用户画像
决策树
https://blog.csdn.net/jxq0816/article/details/82829502 决策树通过生成决策规则来解决分类和回归问题。 但是由于决策树在理论上能无限制地划分节点 前剪枝：在划分节点之前限制决策树的复杂度，通过一些阈值来限制决策树的生长，比如max_depth、min_sample_split等参数。 后剪枝：在决策树构建完成之后，通过剪枝集修改树的结构，降低它的复杂度。 这两种方法相比，前剪枝的实现更加容易，也更加可控，因为在实际应用中应用得更加广泛。 决策树最大的缺点在于模型的最后一步算法过于简单：对于分类问题，只考虑叶子节点里哪个类别占比最大；而对于回归问题，则计算叶子节点内数据的平均值。这导致它在单独使用时，预测效果不理想。 因此在实际中，决策树常常被用来做特征提取，与其他模型联结起来使用。
67730发布于 2018-09-29 - 来自专栏海天一树
决策树
一、 决策树简介 决策树是一种特殊的树形结构，一般由节点和有向边组成。其中，节点表示特征、属性或者一个类。而有向边包含有判断条件。 这就构成了一颗简单的分类决策树。 ? 1.jpg ? 2.jpg 二、 相关知识 请参考周志华《机器学习》第4章：决策树 注意，第75页有一行内容：信息熵的值越小，则样本集合的纯度越高。 此时的决策树为 ? 第一条数据，第5个属性值是2，需要再判断第3个属性，第3个属性的值为4，根据决策树得出的预测分类为1，与实际结果吻合 第二条数据，第5个属性值是1，根据决策树得出的预测分类为0，与实际结果吻合 第三条数据 1，根据决策树得出的预测分类为0，与实际结果吻合 六、 完整代码 （1）DecisionTree.py # 具有两种剪枝功能的简单决策树 # 使用信息熵进行划分，剪枝时采用激进策略（即使剪枝后正确率相同
1.2K20发布于 2018-08-17 - 来自专栏新亮笔记
监测与决策
结果输出：将实时和离线分析的结果展现，供决策参考。 问题决策：根据上一步的输出，人为或自动给出下一步的行动判定，同时将判定记录保存下来，以便为后续决策提供依据。 全面性，即收集到的数据信息是否足以支持团队做出决策。 及时性，即数据的发生到能够支持决策所需要的处理时间足够短。 了解更多：https://t.zsxq.com/08AGFfCK3
57710编辑于 2023-03-07 - 来自专栏小明的博客
决策树
决策树学习 决策树是一种用来进行分类和回归的无参有监督学习方法，其目的是创建一种模型，从模型特征中学习简单的决策远着呢，从而预测一个目标变量的值。 对训练好的决策树模型，可以使用predict()方法对新的样本进行预测。 print('dot_data决策结果数据文件为：\n',dot_data) #导入graphviz模块，将训练生成的决策树数据文件可视化。 ，观察对新的数据的决策结果 print('新的数据为[1,30,6,False]时的决策结果为：',clf.predict([[1,30,6,False]])) print('新的数据为[2,25,2, True]时的决策结果为：',clf.predict([[2,25,2,True]])) print('新的数据为[1,25,2,True]时的决策结果为：',clf.predict([[1,25,2,
83420编辑于 2022-09-05 - 来自专栏大龄程序员的人工智能之路
决策树
决策树(decision tree)是一类常见的机器学习方法。顾名思义，决策树是基于树结构来进行决策的，这恰是人类在面临决策问题时一种很自然的处理机制。 一颗决策树包含一个根节点、若干个内部节点和若干个叶节点。叶节点对应于决策结果，其他每个节点则对应于一个属性测试。 ? 决策树学习的目的是从样本数据产生一颗泛化能力强的决策树，其基本流程遵循简单且直观的“分而治之”策略： Function createBranch 检测数据集中的每个子项是否属于同一分类： If
69620发布于 2019-07-01 - 来自专栏全栈程序员必看
决策树的原理_决策树特征选择
决策树的原理：根据树结构进行决策，可以用于分类和回归。一颗决策树包括一个根结点、若干个内部节点和若干个叶节点。 从根节点出发，对每个特征划分数据集并计算信息增益（或者增益率，基尼系数），选择信息增益最大的特征作为划分特征，依次递归，直至特征划分时信息增益很小或无特征可划分，形成决策树。 决策树 优点 1. 样本发生一点点变化会导致树的结构剧烈变动 决策树的算法：ID3算法、C4.5算法、CART算法 算法 优缺点 ID3算法 不足： 无法处理连续特征；信息增益使得算法偏向于取值较多的特征；没有考虑缺失值和过拟合的问题 CART算法 优点： 解决了C4.5算法的不足，可分类可回归；不足： 树的结构会由于样本的小变化发生剧烈变动，特征选择时都是选择最优的一个特征来做分类决策。
64110编辑于 2022-10-03
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