知识点
相关文章
更多最近更新
更多决策树分析
2019-03-02 00:49|来源: 网路
如果你对项目管理、系统架构有兴趣,请加微信订阅号“softjg”,加入这个PM、架构师的大家庭
阐述决策和相关事件间的相互作用。不能表明风险如何联动发生。
用决策树分析法选择最佳收费方案。题目是"现要开辟一条新航线,有三种收费方案件,征收过闸费、驳船费、执照费;有三种自然状态存在:通航船只多,中,少,其自然状态的概率是船只多0.3,船只中0.5,船只少0.2,三种方案的收益为:(万元)
船只多 |
船只中 |
船只少 |
|
0.3 |
0.5 |
0.2 |
|
征收过闸费 |
3.4 |
2.8 |
2.0 |
征收驳船费 |
3.9 |
2.9 |
1.9 |
征收执照费 |
3.0 |
2.7 |
2.5 |
征收过闸费 = 0.3 * 3.4+0.5*2.8+0.2*2.0 = 2.82万
征收驳船费 = 0.3 * 3.9+0.5*2.9+0.2*1.9 = 3万
征收执照费 = 0.3 * 3.0+0.5*2.7+0.2*2.5 = 2.75万
征收驳船费的收益最高,选择这个方案。
如果你对项目管理、系统架构有兴趣,请加微信订阅号“softjg”,加入这个PM、架构师的大家庭
转自:http://www.cnblogs.com/wyxhd2008/p/3679270
相关问答
更多-
你是对的n! 并且n n具有不同的增长率,但是它们的日志(log n!和log n n )实际上具有相同的增长率。 @Salvador Dali指出,斯特林的近似是一种很好的方式来看待这一点,但这是一种不同的方式来看待这一点。 首先,请注意log n n = n log n通过对数属性。 这很简单。 怎么样(log n!)? 首先,请注意 记录n! = log(n·(n-1)·(n-2)·..·2·1) = log n + log(n-1)+ log(n-2)+ ... + log 2 + log 1 这再 ...
-
这是机器学习中相当普遍的问题。 在任何情况下,机器学习功能对于每个实例都不是唯一的。 直觉上它是有道理的; 如果不能从该特征推断,该算法不会学习任何东西。 您可以做的只是在传递其余功能之前将决策树中的那条信息分离出来,然后在完成后重新合并ID和预测。 我强烈建议不要对特征向量进行任何操作以包含任何形式的ID。 功能只应该是算法用于制定决策的东西。 不要提供您不希望它使用的信息。 你想要避免使用ID作为特征是正确的,因为(很可能)ID与你想要预测的内容无关。 如果你确实需要单独的模型(并且每个用户都有足够的数 ...
-
决策树:阐述(Decision Trees: elaboration)[2022-07-06]
ML中“常规”的最常见解释是训练模型对测试数据的执行情况。 假设: D2是超修树D1的修剪树 基础:基于您的陈述“D2是树Dl的详细说明” 重新格式化问题:1。修剪树(D2)的输出和过度拟合树(D1)的输出是否相同? Ans:可能取决于用例的用例。 此外,预测能力,对于某些情况,修剪树可能具有更好的预测能力,而在其他情况下,过度拟合树可能产生更好的结果。 对于你问题的第二部分,其他人可以回答:)。 The most common interpretation of "general" in ML, is h ... -
一种方法是使用一个巨大的矩阵,其中每一行都是一个文档,每一列都是一个单词。 单元格中的值是该单词在该文档中显示的次数。 然后,如果您正在处理“监督学习”案例,您应该为分类器添加另一列,并且从那里您可以使用“rpart”(来自rpart包)等命令来创建分类树。 该命令将以与您对线性模型(lm)类似的方式输入rpart的公式。 如果需要,您还可以尝试首先将单词分组为“单词组”,然后让每列属于不同的单词组,并使用数字表示文档中有多少单词属于该组。 为此,我将看看“tm”包。 (如果你最终做了一些事情,请考虑在这里 ...
-
通过更深入的搜索,我找到了答案。 问题起源于创建功能的更改功能。 由于此功能已更改,因此功能集中的功能结果不等于arff文件。 现在所有结果都符合逻辑。 With more deeply search, I have found the answer. The problem was originated by changed function which create a feature. Since this function was changed, result of feature in the ...
-
Weka软件决策树(Weka software decision tree)[2021-06-22]
您已经运行了ZeroR分类器,请参阅http://chem-eng.utoronto.ca/~datamining/dmc/zeror.htm 。 ZeroR分类器不是decission树分类器,因此无法可视化。 你需要训练一个实际的decission树分类器,J48就是其中之一。 有关如何操作的指南,请参见http://facweb.cs.depaul.edu/mobasher/classes/ect584/WEKA/classify.html 。 You have run a ZeroR classif ... -
决策树jQuery(Decision Tree jQuery)[2022-06-22]
你正在做同样的循环结束,没有任何改变试试这个: jQuery("#tbl1_1").hide(); jQuery("#tbl1_1_1").hide(); jQuery("#tbl1_1_1_a").hide(); jQuery("#tbl2_1").hide(); jQuery(this).click(function() { if($("#tbl1_1_1").is(":visible")) { jQuery("#tbl1_1_1").h ... -
关于决策树的问题(question about decision trees)[2022-08-16]
Boosting是一种可以在任何学习算法上发挥作用的技术。 当你构建的原始分类器几乎不会随机执行时,它是最有效的。 如果你的决策树已经相当不错了,那么提升可能没什么大不同,但是会有性能损失 - 如果你进行100次迭代的提升,你将需要训练和存储100个决策树。 通常人们会通过决策树桩(只有一个节点的决策树)来提升效果,并获得与使用完整决策树提升一样好的结果。 我已经完成了一些增强实验 ,发现它相当健壮,比单树分类器更好,但也更慢(我曾经10次迭代),并且不如一些更简单的学习者(公平地说,它是极其嘈杂的数据集) ... -
您可以使用受过训练的树的decision_path方法( 此处 )来查看路径。 但是,您可能只需要apply方法( 此处 )。 apply方法显示叶节点。 由于只有一种方法可以到达每个叶子,因此知道叶子并看到树的路径是推断的。 您希望如何显示此内容取决于您和用户。 表格,可视化等 You can use the decision_path method (here) of the trained tree to see the path. However you may just need the appl ...
-
决策树修剪的效果(The effect of Decision Tree Pruning)[2021-06-11]
我认为我们需要更清楚地区分:修剪树在验证集上总是表现得更好,但在测试集上不一定如此(实际上它在训练集上也具有相同或更差的性能)。 我假设修剪是在树建成后完成的(即:后修剪)。 请记住,使用验证集的全部原因是为了避免过度拟合训练数据集,这里的关键点是泛化 :我们想要一个模型(决策树),它超越了在“训练时间”提供的实例。新的看不见的例子。 I think we need to make the distinction clearer: pruned trees always perform better on ...