决策树

把AI“贴”进路灯柱：1KB决策树让老旧路灯自己报「灯头松动」一、背景：路灯「灯头松动」也卷AI？ • 传统人工巡检：登高目测，漏检率25%，高空作业危险 • 加速度计方案：±16G IMU+4G回传，成本>￥200+年费>100元/杆 • 手工规则：振动>阈值就报警，台风/地震误报80% 2025年，我们把1KB决策树「贴」进老旧路灯柱顶端」： • 输入：三轴振动频谱+倾角变化+温度应力+风压脉冲+电容形变」 • 输出：松动等级+LED闪烁+433MHz无线+电池电压」 • 规格：256KB Flash，8KB RAM，待机0.08mA • 指标：**松动检出率9

把AI“编”进草垫：1KB决策树让宠物垫自己报「如厕记录」一、背景：宠物「如厕记录」也卷AI？ • 传统尿垫：需人工肉眼检查，漏检率30%，无法记录时间/次数 • 智能猫砂盆：±16G IMU+摄像头，成本>￥300+每天充电，隐私风险 • 云端方案：Wi-Fi上传重量云图，流量+隐私，年费>100元/垫 2025年，我们把1KB决策树「编」进宠物草垫」： • 输入：重量变化+湿度跃升+温度+电容+应变」 • 输出：如厕次数+时长+LED颜色+震动提醒+蓝牙广播」 • 规格：256KB Flash，8KB RAM，待机0.06mA • 指标：如厕检出率98%，误

《人工智能基础》[算法篇3]：决策树在生活中，我们常常面临各种决策场景。比如周末决定是否出门游玩，会先看天气如何，如果天气晴朗，再考虑是否有朋友一起，接着考虑交通是否便利等因素，逐步做出最终决策。这个思考过程，其实就蕴含着决策树算法的基本思想。

【机器学习10】项目生命周期、偏斜类别评估、决策树视频链接吴恩达机器学习p83-p91一个完整的机器学习项目包含四个主要阶段：部署是将训练好的模型投入实际应用的过程。一个常见的架构是：

【机器学习11】决策树进阶、随机森林、XGBoost、模型对比视频链接吴恩达机器学习p92-p99在上一篇文章中，我们介绍了决策树的基本概念。现在，我们将探讨决策树如何处理不同类型的特征，包括具有多个值的分类特征和连续值特征。

把AI“灌”进奶瓶：1KB决策树让婴儿温奶器自己学会「恒温+计时」一、背景：婴儿温奶器也卷AI？ • 传统机械旋钮：人眼盯温度计，±3℃误差，过热/过冷风险 • NTC探头：±1℃，仍需手动计时，遗忘率25% • 云端方案：Wi-Fi+APP，年费>50元/台，断网就失控 2025年，我们把1KB决策树「灌」进婴儿温奶器控制板： • 输入：奶水温度+升温速率+环境温度+瓶壁应变+电容接近 • 输出：恒温加热PWM+计时结束+音乐提示+LED颜色」 • 规格：256KB Flash，8KB RAM，待机0.12mA • 指标：恒温误差<±0.5℃，计时精度<5s，CR20

杭州杭州杭州

机器学习(3)---线性算法，决策树，神经网络，支持向量机最常用的公开数据集分类和回归都是监督学习，因为二者的数据集都有标签，有直接的反馈分类依据按训练数据中是否有标签（以及反馈信号的类型）分：

机器学习库的决策树绘制使用graphviz绘制决策树更好一点，可以避免节点重叠，并且导出的pdf属于非图片型pdf。绘制决策树大体分为3个步骤：

进击的炸酱面

第四章决策树决策树的核心思想是递归地选择最优特征对数据集进行划分，直到满足停止条件。整个过程可以概括为以下流程图：

Householder变换：线性代数中的镜像反射器本文由「大千AI助手」原创发布，专注用真话讲AI，回归技术本质。拒绝神话或妖魔化。搜索「大千AI助手」关注我，一起撕掉过度包装，学习真实的AI技术！

【基础复习3】决策树是一种分类和回归方法，是基于各种情况发生的所需条件构成决策树问题是：当目标数据的特征较多时，构建的具有不同规则的决策树也相当庞大，那么该如何判断哪种决策树更好呢一种思路是：如果按照某个特征对数据进行划分时，它能最大程度地将原本混乱的结果尽可能划分为几个有序的大类，则就应该先以这个特征为决策树中的根结点。接着，不断重复这一过程，直到整棵决策树被构建完成为止。由此引入“熵”

Miraitowa_cheems

LeetCode算法日记 - Day 82: 环形子数组的最大和目录1. 环形子数组的最大和1.1 题目解析1.2 解法1.3 代码实现https://leetcode.cn/problems/maximum-sum-circular-subarray/

06_决策树决策树（Decision Tree）是一种基于树形结构的算法，根据一系列条件判断逐步划分数据，缩小范围，最终得出预测结果。决策树由 4 部分组成：

文火冰糖的硅基工坊

[人工智能-大模型-69]：模型层技术 - 计算机处理问题的几大分支：数值型性问题、非数值型问题？我们从计算的本质出发，将计算机处理的问题划分为两大根本类别：✅ 数值型问题（Numerical Problems） ✅ 非数值型问题（Non-Numerical Problems）

Miraitowa_cheems

LeetCode算法日记 - Day 81: 最大子数组和目录1. 最大子数组和1.1 题目解析1.2 解法1.3 代码实现https://leetcode.cn/problems/maximum-subarray/description/

weixin_42963026

实验二-决策树-葡萄酒数据前5行： fixed_acidity volatile_acidity citric_acid ... alcohol quality color 0 7.4 0.70 0.00 ... 9.4 5 red 1 7.8 0.88 0.00 ... 9.8 5 red 2 7.8 0.76 0.04 ... 9.8 5 red 3 11.2 0.28 0.56 ... 9.8 6 red 4 7.4 0.70 0.00 ... 9.4 5 red

Kaggle机器学习初级的三种决策树提示：文章写完后，目录可以自动生成，如何生成可参考右边的帮助文档决策树单棵决策树 DecisionTreeRegressor

把AI“撒”进农田：基于极值量化与状态机的1KB边缘灌溉决策树一、背景：灌溉也要“边缘AI”？ • 传统定时灌溉：水浪费30%，盐碱化风险 • 云平台方案：4G流量+云端推理，年费>200元/亩 • 手工规则：土壤湿度>70%停灌，无法预测蒸发 2025年，我们把1KB决策树+状态机塞进灌溉电池阀： • 输入：土壤湿度+温度+蒸发量+降雨预测 • 输出：阀门开度+灌溉时长 • 规格：256KB Flash，8KB RAM，0.5mA待机 • 指标：节水27%，产量+8%，AA电池续航>2年 • 交付：512B模型+512B状态表，即插即灌全文开源：训练脚本+Kei

做科研的周师兄

【机器学习入门】8.2 主成分分析：一文吃透主成分分析（PCA）—— 从原理到核心逻辑对于刚入门机器学习的同学来说，在处理高维数据时，常常会被 “维度灾难” 困扰 —— 特征太多导致计算慢、模型泛化差。而主成分分析（PCA）作为最经典、最常用的降维算法，能通过 “提取核心信息” 高效解决这一问题。今天我们从基础原理出发，拆解 PCA 的核心目标、关键性质和操作逻辑，帮你轻松理解 “PCA 如何把高维数据变简单”。