- 综合排序
- 最热优先
- 最新优先
- 来自专栏从救火到防火：大模型赋能云原生安全
第 3 期：四维风险决策模型：如何比同行更快锁定“真正有危险的漏洞”
二、打造四维风险决策模型很多企业把CVSS当成漏洞优先级体系。但CVSS是“漏洞本身的危险程度”，不是“对你企业的危险程度”。 四维上下文风险模型的落地：风险评分公式为了精准决策，我们需要构建一个四维坐标系，设计一个基于四维上下文风险模型的风险评分公式：Risk=Exploit*Exposure*AssetValue*Path任一维度 =0，风险=0四维都高，风险=必须修替代CVSS，效果极佳Exploit（利用可能性）Exposure（攻击面暴露）AssetValue（资产价值）Path（攻击路径可达性）三、决策引擎的工作流基于这个模型 第3期（本期）：深入剖析四维风险决策模型，掌握如何比同行更快锁定“真正有危险的漏洞”。第4期（待发布）：提出一套完整的治理闭环，从基础镜像到CI/CD，实现源头治理的方法论。 第5期（待发布）：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。
17800编辑于 2025-12-17 - 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。
2.4K51发布于 2018-06-20 SWOT 分析法：职场决策的 “四维导航仪”
无论是个人职业规划，还是企业战略制定，SWOT 分析法都能像一台精密的 “四维导航仪”，从优势（Strengths）、劣势（Weaknesses）、机会（Opportunities）、威胁（Threats ）四个维度，帮你全面剖析现状，做出科学决策。 威胁（Threats）：外部环境中可能带来风险的因素，像竞争对手推出新产品、市场需求萎缩。 通常，我们会将这些因素罗列在一个四象限表格中，直观呈现相互关系，辅助决策制定。 无论是推出新产品、开拓新市场，还是应对危机，SWOT 分析都能提供清晰的思路，降低决策失误的风险，提升组织的竞争力与抗风险能力。 四、如何高效运用 SWOT 分析法？ 下次面临选择时，不妨拿起这台 “四维导航仪”，开启理性决策之旅。
64910编辑于 2025-10-14- 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
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。 基于决策树的分类模型有如下几个特点：（1）决策树方法结构简单,,便于理解;（2）决策树模型效率高，对训练集数据量较大的情况较为适合;（3）树方法通常不需要接受训练集数据外的知识;（4）决策树方法具有较高的分类精确度 预警方案设计 数据在进行操作的过程中，我们一共分了四步，分别是数据分析和分离数据集，建立训练数据集决策树，评估模型性能，提高模型性能。 众所周知，决策树有一种过度拟合训练数据模型的倾向，由于这个原因，训练数据中报告的错误率可能过于乐观，因此，基于测试数据集来评估决策树模型是非常重要的。 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
1.1K10发布于 2021-06-15 - 来自专栏斑斓
引入风险驱动模型
引入风险驱动模型 George Fairbanks提出的风险驱动模型（Risk-Driven Model）非常适合遗留系统的技术栈迁移。 所谓“风险驱动模型”，就是通过识别风险，对风险排定优先级；然后根据风险选定相关技术，再对风险是否得到缓解进行评估的一种架构方法[5] 。 在对遗留系统进行技术栈迁移时，如果未能事先对迁移过程的风险进行有效识别，就可能为系统引入新的问题，降低系统质量，或者导致迁移的成本过高。 根据我的经验，在对遗留系统进行技术栈迁移时，可以识别的主要风险包括： 遗留系统本身存在的质量问题，例如紧耦合、缺乏足够的测试、系统可维护性差； 缺乏足够的知识来帮助我们理解整个遗留系统； 成本、时间与人力的风险
2.3K110发布于 2018-03-07 - 来自专栏小明的博客
决策树模型
模型具有可读性 分类速度快 决策树的思想主要来源于Quinlan在1986年提出的ID3和1993提出的C4.5算法，以及由Breiman等人1984年提出的CART算法。 模型 决策树学习本质上是从训练数据集中归纳出一组分类规则或者条件概率模型（在节点处取条件概率最大的进行分类）。决策树问题一般可以分成特征选择、决策树生成、剪枝三部分。 剪枝也可以看成是对模型的正则化（Reaularization of DTs） min leaf size max depth max nodes of the tree Min decrease in can't use 'macro parameter character #' in math mode$C_{\alpha}(T)=C(T)+\alpha|T|\ C(T):训练数据的预测误差\ |T|:模型复杂度 一种比较简单的决策树学习损失函数定义方法是： 这种情况下的损失函数极小化等价于正则化的极大似然估计，所以也相当于利用正则化的极大似然估计进行模型选择。
77430编辑于 2022-09-05 - 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。
45630发布于 2019-07-17 - 来自专栏全栈程序员必看
决策树模型的用途_决策树模型怎么建立
概念 定义在特征空间与类空间上的条件概率分布，即给定特征条件下类的条件概率分布；也可以认为是if-then规则的集合 优点 模型具有可读性，分类速度快。 模型 首先，介绍一下决策树模型： 由结点和有向边组成，结点又可分为内部结点和叶结点。内部结点表示一个特征或属性，叶结点表示一个类。 决策树本质 从训练数据集中归纳出一组分类规则。 步骤 决策树的学习常包含三个步骤： 特征选择 决策树的生成 决策树的剪枝 特征选择 是决定用哪个特征来划分特征空间。 几种选择标准的不同（ID3, C4.5, CART）可参考：决策树 决策树的剪枝 通过极小化决策树整体的损失函数或代价函数来实现。 两者的不同： 决策树的生成只考虑了通过提高信息增益或信息增益比对数据进行更好的拟合，而剪枝通过优化损失函数还减小了模型的复杂度。 决策树生成学习局部的模型，而决策树剪枝学习整体的模型。
81000编辑于 2022-11-01 - 来自专栏漫谈测试
性能测试成熟模型风险模型
风险模型是指在性能测试实施过程中可能存在的风险，这些风险主要是由外部因素导致的而不是应用系统本身发生的。 风险模型作为性能测试方案的重要组成部分之一，通过在实施性能测试过程中提前对可能存在的风险进行评估和拟定应对方案，以保证性能测试实施过程的顺利进行，以及在出现问题后能够快速解决问题，验证测试结果数据的准确性 风险模型的基本内容主要包括哪些？风险模型的内容主要包括6项，分别为脚本风险、数据风险、业务风险、环境风险、监控风险和版本风险。 风险建模的5个方面主要包含？ 针对以上可能存在的风险，我们一般会从以下几个方面做到一定程度上的风险把控，具体如下：1)多次确认：针对业务模型中涉及的业务关系以及脚本编写涉及的技术内容等进行多次确认和沟通。
30720编辑于 2024-11-08 - 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。 而这，恰恰是LLM（大语言模型）的强项。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。 2.大模型做了什么？（自动归因+风险优先排序）模型根据漏洞→权限→拓扑→运行时行为→攻击面给出自动决策：①漏洞必须修？还是可豁免？ 第3期（已发布）：深入剖析四维风险决策模型，掌握如何比同行更快锁定“真正有危险的漏洞”。第4期（已发布）：提出一套完整的治理闭环，从基础镜像到CI/CD，实现源头治理的方法论。 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。
18910编辑于 2026-01-01 - 来自专栏iOSDevLog
决策树模型概述
决策树模型概述 ---- 1.1 决策树模型 决策树模型 是一个模拟人类决策过程思想的模型,以找对象为例，一个女孩的母亲要给这个女孩介绍男朋友，于是有了下面的对话： 女儿：多大年纪了？ （即内部节点所对应的属性） 预测过程：将测试示例从根节点开始，沿着划分属性所构成的判定测试序列下行，直到叶结点 1.2 决策树简史 第一个决策树算法：CLS(Concept Learning System ) 使决策树受到关注了，成为机器学习主流技术的算法：ID3 最常用的决策树算法：C4.5 ? J.R.Quinlan 可以用于回归任务的决策树算法:CART (Classification and Regression Tree) 基于决策树的最强大算法: RF (Random Forest) L.Breiman 要点总结 决策树模型 基于树的结构进行决策 属性,测试预测结果 训练过程 分析训练样本,确定划分属性 预测过程 沿着树结构根据属性进行下行判断 决策树简史 CLS J.R.Quinlan
89250发布于 2018-06-19 - 来自专栏xiaosen
AI - 决策树模型
决策树的基本思想是，通过构建一个树状的图形模型，将决策过程中的各种可能情况和结果以直观的方式展现出来。 对于连续型属性，算法会进行离散化处理，将其转换为可以用于决策树的离散值。 剪枝操作：在构造决策树之后，C4.5算法会进行剪枝操作，以减少模型的过拟合风险，提高模型的泛化能力。 训练方法：使用fit方法来训练决策树模型，传入训练数据和对应的标签。 y_pred = clf.predict(X_test) 评估方法：可以使用score方法来评估模型的准确性。 # 计算准确率 accuracy = clf.score(X_test, y_test) sklearn中的决策树算法提供了一个灵活且易于使用的机器学习模型，适用于各种分类问题。
72510编辑于 2024-03-24 决策模型和符号（DMN）
DMN标准通过标准化和可验证的可视化模型，实现了模型的双重功能：既作为易于理解的文档，又作为决策自动化引擎的可执行资源。DMN的设计允许执行性决策逻辑由业务人员独立定义和验证。 DMN 决策模型表示法的典型用例分为以下三类之一：①定义手动/人工决策②指定自动化决策的要求③代表一个完整的、可执行的决策模型第三个用例已成为数字化转型实践的新标准，因为DMN决策建模是决策自动化的先决条件 有关风险管理和流动性管理的法规需要持续监控和看似无穷无尽的披露文件。 DMN 自动化为管理有关以下方面的关键策略和程序决策的庞大数量和不断变化提供了实际解决方案：法规合规性监管风险评估操作风险评估消费者保护活动欺诈检测活动金融领域的DMN决策管理解决方案也被用于许多其他复杂的决策 ，例如：风险缓解决策定价决策反偏见决策理赔决策投诉处理和缓解决策薪酬利润分享决策奖金决定日终模式信用评分一般和特定承保贷款发放贷款服务交叉销售和追加销售决策贸易评论了解您的客户 （KYC） 流程投资交易验证决策医疗保健领域的
74710编辑于 2025-07-11- 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|附代码数据
p=2783最近我们被客户要求撰写关于信贷风险预警的研究报告，包括一些图形和统计输出。 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。 基于决策树的分类模型有如下几个特点：（1）决策树方法结构简单,,便于理解;（2）决策树模型效率高，对训练集数据量较大的情况较为适合;（3）树方法通常不需要接受训练集数据外的知识;（4）决策树方法具有较高的分类精确度 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 ----本文摘选 《 R语言基于决策树的银行信贷风险预警模型 》 ，点击“阅读原文”获取全文完整资料。
85300编辑于 2022-12-22 - 来自专栏ATYUN订阅号
揭示患者风险模型是否准确
在病人心脏病发作或中风后，医生经常使用风险模型来帮助指导治疗。这些模型可以根据病人的年龄、症状和其他特征等因素来计算病人的死亡风险。 为了说明这种方法是如何工作的，研究人员选择了一种广泛使用的风险模型GRACE风险评分。 对于给定的风险模型预测，分数越高，预测越不可靠。不可靠性评分是基于特定模型(如GRACE风险评分)生成的风险预测，通过与在相同数据集上训练的不同模型生成的预测进行比较。 如果模型产生了不同的结果，那么对患者的风险模型预测就可能不可靠。 从长远来看，他们还希望可以通过更容易的数据再培训，来提高风险模型的可靠性。
43210发布于 2020-02-20 - 来自专栏IT编程小知识
机器学习——决策树模型
无外乎就是面对那些七大姑、八大姨的催结婚、催生子、催相亲、催买房……说起这些亲戚们是如何判断催什么，不得不让我们想起经典的决策树模型。决策树是一个用于分类和回归的机器学习模型。 通过对输入对象数据特征进行一系列条件划分构建一个树状结构的决策模型。每个内部节点表示一个特征或属性，每个分支代表该特征的一个可能取值，而每个叶节点代表一个类别标签或数值输出。 为了减少过拟合，可以采用剪枝操作，即通过降低模型复杂度来提高泛化能力。常见的剪枝方法有预剪枝和后剪枝。 预剪枝在构建过程中进行模型评估，若划分不再有效则停止划分；后剪枝则先构建完整的决策树，然后通过剪去子树并比较泛化能力来判断是否进行剪枝操作。 决策树模型经典的算法一般认为包含：ID3算法、C4.5算法、CART算法。ID3算法：核心是在决策树各个节点上应用信息增益准则选择特征，递归地构建决策树。
35610编辑于 2023-12-26 - 来自专栏韩曙亮的移动开发专栏
【数据挖掘】决策树算法简介 ( 决策树模型 | 模型示例 | 决策树算法性能要求 | 递归创建决策树 | 树根属性选择 )
决策树模型 II . 决策树模型 示例 III . 决策树算法列举 IV . 决策树算法 示例 V . 决策树算法性能要求 VI . 决策树模型创建 ( 递归创建决策树 ) VII . 决策树模型过程 : ① 训练过程 : 使用训练集数据确定决策时使用的属性 , 确定根节点 , 内部节点 , 叶子节点 的属性划分 , 训练决策树模型 ; ② 预测过程 : 从根节点特征开始 , 根据决策树中的判定序列依次从根节点向下判定 决策树模型 示例 ---- 1 . 决策树模型创建 ( 递归创建决策树 ) ---- 1 . 决策树模型创建 : 决策树模型创建的核心就是选择合适的树根 , 将重要的属性放在树根 , 然后子树中 , 继续选择子树中重要的属性放在子树的树根 , 依次递归 , 最终得到决策结果 ( 叶子节点 ) ;
5K30编辑于 2023-03-27 - 来自专栏从救火到防火：大模型赋能云原生安全
安全的真正职责不是扫描，而是风险决策
•第3期：深入剖析四维风险决策模型，掌握如何比同行更快锁定“真正有危险的漏洞”。•第4期：提出一套完整的治理闭环，从基础镜像到CI/CD，实现源头治理的方法论。 •第5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。让我们从今天开始，停止无效的扫描，掌握风险决策权，将资源投入到最高价值的风险上。 ，它让安全团队的角色从：“报警中心”→“风险治理的决策中心”。 五、可落地的“风险源头治理方法”本系列将带你从现实企业痛点出发，逐步把“救火式安全”转变为“防火式安全”，包括：如何用资产画像快速筛出真正危险的镜像如何构建“四维风险决策模型”如何建立基础镜像治理闭环如何让 ☐需三类数据融合是否有漏洞优先级决策机制？☐四维模型是否能统一开发、安全、运维修复标准？☐共识机制是否能输出“可落地修复清单”？☐关键落地能力是否能追踪漏洞来源（基础镜像or应用层）？
16910编辑于 2025-12-07 - 来自专栏钱塘小甲子的博客
量化、傅里叶变换、风险模型及其他
一般来说，risk model大概有这么三个作用，估计风险、控制风险敞口、绩效归因，那么按照先前的逻辑，用来对冲其他的维度，其实就是第二个作用，控制风险敞口。 但是我们知道，现实是现实，理论是理论，模型是模型。 既然如此，我们只能再次退而求其次，在风险敞口满足预设目标的前提下，尽可能体现出alpha维度的敞口。这一过程中，就需要对风险进行估计，也就是我们提到的第一个作用。 后来人们发现，实在是找不到alpha维度，那干脆我们做风险维度吧，比如做个组合，在满足预设条件下，尽可能满足BTOP维度的敞口。这种风险维度的组合，就叫做SmartBeta。 显然，前者就像是看每一个股票，然后分析一样，很好理解；而后者则需要一个自上而下的模型。 寻找不同的角度，然后构建一套维度。
1.5K51发布于 2019-01-28 - 来自专栏MiningAlgorithms
机器学习17：决策树模型
1，决策树生成：按特征选择指标不同分类 决策树分为两大类：分类树和回归树，分类树用于分类标签值，回归树用于预测连续值，常用算法有ID3、C4.5、CART等。 最坏的情况下，决策树的高度为属性（决策变量）的个数，叶子节点不纯（这意味着我们要以一定的概率来作出决策）。 对比预剪枝与后剪枝生成的决策树，可以看出，后剪枝通常比预剪枝保留更多的分支，其欠拟合风险很小，因此后剪枝的泛化性能往往由于预剪枝决策树。但后剪枝过程是从底往上裁剪，因此其训练时间开销比前剪枝要大。 3，损失函数与剪枝： 决策树剪枝是简化已经生成的复杂的决策树，防止过拟合，使生成的决策更一般化。 决策树的损失函数为：剪枝操作将依据此损失函数进行剪枝。 ? 其中： ? ? 又因为熵的含义为随机变量不确定性的度量，所以右边第一项的计算意义为模型对训练集的预测误差。
1.1K30发布于 2019-08-08
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