代码搜索：决策思维
找到约 689 项符合「决策思维」的源代码
代码结果 689
www.eeworm.com/read/227177/14439050
caa 基于gis的流域产沙及水土保持决策支持系统研究.caa
[TARGET]
A1=55
A2=ciXtRmiZAYadZFTDgQexGbztn4yPgscV8GvuZP4jNWej/41fQ80/4XWEVwA6iTcpgyz8Qs6TMmJD1R9b2QgARIM4XNjXS56klxtvrlvKC9StQwa7rTpKiACOKk2GQbc3G9OMREo2S9NcMaKA1Qs=
B1=3
B2=FT+Ahv8A
C1=3
C2=FT
www.eeworm.com/read/214162/15112358
pdf 新的变异算子及其最优变异率_中国控制与决策论文集.pdf
www.eeworm.com/read/162143/10332150
txt 初识动态规划算法.txt
初识动态规划算法
多阶段决策过程（ multistep decision process ）是指 这样一类特殊的活动过程，过程可以按时间顺序分解成若干个相互联系的阶段，在每一个阶段都需要做出决策，全部过程的决策是一个决策序列。 动态规划 （ dynamic programming ）算法 是解决 多阶段决策过程最优化问题 的一种常用方法，难度比较大，技巧性也很强。利用动态规划算法，可以优雅 ...
www.eeworm.com/read/175689/5343303
m detreeexp2_9.m
%设置全局变量
global tree
global bestlevel
% 对原始决策树进行剪枝，剪枝以后的树结构赋给prunedtree变量。
% 因为bestlevel＝4所以得到四层的决策树
prunedtree = treeprune(tree,bestlevel);
% 用决策树显示器显示剪枝以后的树
treedisp(prunedtre
www.eeworm.com/read/175689/5343315
m detreeexp1_9.m
%设置全局变量
global tree
global bestlevel
% 对原始决策树进行剪枝，剪枝以后的树结构赋给prunedtree变量。
% 因为bestlevel＝4所以得到四层的决策树
prunedtree = treeprune(tree,bestlevel);
% 用决策树显示器显示剪枝以后的树
treedisp(prunedtree
www.eeworm.com/read/428780/1953977
m detreeexp2_9.m
%设置全局变量
global tree
global bestlevel
% 对原始决策树进行剪枝，剪枝以后的树结构赋给prunedtree变量。
% 因为bestlevel＝4所以得到四层的决策树
prunedtree = treeprune(tree,bestlevel);
% 用决策树显示器显示剪枝以后的树
treedisp(prunedtre
www.eeworm.com/read/428780/1953989
m detreeexp1_9.m
%设置全局变量
global tree
global bestlevel
% 对原始决策树进行剪枝，剪枝以后的树结构赋给prunedtree变量。
% 因为bestlevel＝4所以得到四层的决策树
prunedtree = treeprune(tree,bestlevel);
% 用决策树显示器显示剪枝以后的树
treedisp(prunedtree
www.eeworm.com/read/372759/9494523
caj 一种混合集结算子及其在多属性决策中的应用_英文_.caj
www.eeworm.com/read/367675/2835394
txt 50.txt
具有综合数据的能力并对数据进行快速和准确分析，从而做出更好的商业决策，
可以为企业带来竞争优势。如何发现和使用这种优势，就是商业智能所研究的课题。
----
任何好的商务决策都需要事实和数字支持。一个决策的正确程度取决于所使用的事实
和数字的正确程度。随着竞争的增加，需要在较短的时间内做出决策。因此，在该时
间段内，能够尽可能多地获得相关信息就变得越来越关键。同时，为了使决策具有 ...
www.eeworm.com/read/175689/5343319
asv detreeexp1_4.asv
%设置全局变量
global meas species bad numobs
global x y j tree
%Treefit函数能为数据集找到适合的决策树。
%我们为这个Iris花数据集创建一棵决策树
%并且观察它在分类Iris花的种群时候的好处和优势。
tree = treefit(meas(:,1:2), species);
% treeval计算决策