決策樹
含有「決策樹」共 6 篇內容
全部內容
發佈日期由新至舊
在生成式 AI 風潮下，許多人忽略了 AI 世界真正的「老將」。本篇《神機營 AI 實戰》透過武俠江湖故事，帶你理解傳統機器學習的核心演算法：線性回歸、邏輯回歸、SVM、決策樹、隨機森林與 Boosting。這些技術不僅是資料分析與商業預測的基礎，更是理解 AI 運作的重要關鍵。
生成式 AI 雖然能畫圖、寫文章，但當企業面對數百萬筆客戶資料與營收預測時，真正派上用場的往往是傳統機器學習模型。在這篇《白話實驗室》中，我們回到 Brainstorm 行銷公司的財務審核室，看看決策樹、SVM 與 XGBoost 如何在真實商業場景中進行預測與分析。
付費限定
本篇延續羅吉斯迴歸的分類概念，帶你認識其他常見的分類模型，包括 KNN、SVM、貝氏分類與決策樹。文章不談公式與數學推導，而是從「模型在想什麼」出發，用生活化比喻說明各模型的判斷邏輯與特性差異，幫助你在看到題目描述時，能快速辨認適合的模型類型。適合剛入門的讀者，建立分類模型的整體輪廓與直覺判斷能力。
本文為 iPAS AI 應用規劃師考試提供重點複習，概述了 K-means、布林型、標準差、決策樹、DBSCAN、線性回歸等基礎概念，並介紹了皮爾森積差相關、主成分分析、隨機森林等進階模型，以及擴散模型和 AR 模型在時序預測與圖像生成的應用，最後強調 AI 價值在組織中的擴散。
本書精要：培養批判性思考、找出問題核心、應對複雜系統。透過區分限制條件與障礙，將問題拆解成最小單位，並區分『不想』、『不能』、『不會』三種情況，對症下藥。運用決策樹分析及效用公式，做出最佳決策。理解複雜系統的抗幹擾能力與臨界點，並以實際案例說明。最終，提升決策能力與時間管理，專注於重要事項。
5/5全球人才搶著學！密涅瓦的思考習慣訓練
透過機器學習與統計分析角度分析UCI機器學習資料集中的網路顧客購買意圖資料，並透過決策樹方式預測顧客是否會購買產品，提及少部分特徵選取、資料不平衡問題。
