来自 防护 2021-11-09 10:19 的文章

香港高防_ddos高防服务器价格_免费试用

香港高防_ddos高防服务器价格_免费试用

杰拉尔德·法纳博士在《哈佛商业评论》(Harvard Business Review)的一篇文章"好数据不能保证做出好的决定",Shvetank Shah、Andrew Horne和Jaime Capella认为,ddos服务器防御,"大数据"将无法兑现其带来更好商业决策的承诺,除非辅以受过教育的人类判断。它将决策者分为三组:毫无疑问的经验主义者相信数据分析而不是判断依靠直觉的发自内心的决策者消息灵通的怀疑论者,他们在判断和数据之间取得平衡我的客户和同事,他们使用预测分析来改进商业决策,倾向于认同第三类人。尽管我们有时会觉得自己被某个极端情况所吸引,这取决于问题的类型和数据条件。虽然这篇文章没有深入到预测分析的实质,但它与为消费者行为开发预测模型的实践有着明显的联系。必须做出各种建模决策,包括模型类型的选择、数据转换、预测值选择和拟合度量。我们想把所有的决定都交给电脑来做吗?领域专家对模型构建的影响到底有多大?什么是一种有效的"知情怀疑论者"方法来模拟消费者行为?将数据驱动学习与有教养的判断和微妙的领域知识相结合的有用程序是什么?在我在ficoworld的演讲中,我将讨论FICO如何采用一种实用的工程方法来平衡数据分析和领域专业知识。例如,来自信用评分的决策者可能熟悉"权重工程会议"的概念。作为一名年轻的项目分析师,我学会了如何通过仔细倾听客户的智慧和担忧,而不仅仅是他们的数据来设计部署就绪记分卡。我们将让风险、市场营销和IT部门的利益相关者参与进来,共同进行初始模型设计,对其进行调整,了解敏感性,从而平衡历史关系与任务相关知识的契合。使用这种方法,模型将由数据引导,而不是驱动。意见被表达和讨论,理性的判断进入-知情的怀疑论者的建模方法。有效地进行这种模型精化的计算基础是在一类广义可加性预测模型(也称为记分卡技术)中对设计目标函数进行约束优化的数值过程。比技术性更重要的是原则以及它为什么能改进决策。除了解决信用评分模型的法律和操作限制外,ddos防御实验,整合领域知识对于减轻选择偏差和加快从数据中学习是至关重要的。它可以告知并稳定预测空间区域的外推法,这些区域可能缺乏历史数据支持,但未来的操作可能会发生变化。当历史数据缺乏代表性时,需要领域专业知识。拒绝推理就是一个典型的例子。即使是在建立更具挑战性的决策模型时,美国高防cdn多久生效,也不只是为了预测未来的决策结果,而是为了制定更具挑战性的决策模型。除了处理代表性问题外,还有一个原因需要接受领域知识——从经验数据学习新任务通常会更快更好地将类似任务的知识转移到学习新任务。这是机器学习中一个鲜为人知的领域"转移学习"的结果。将数据与专业知识相结合的这些基本好处可以为任何预测建模项目带来,而不仅仅是信用评分。从我第一次参加重量工程会议算起,16年过去了,数据世界急剧膨胀,丝毫没有减弱的迹象。""大数据"和消费商业动态的快速转变成为头条新闻。一致地,强大的机器学习算法和高性能计算成为数据科学家的吸引力。我们可以而且应该利用硬鼻子机器学习工具的自动化和可伸缩性来改进预测。我们可以而且应该对预测关系有更深入的了解,而不是用单调乏味的手工方法进行数据分析。大数据和机器学习的新组合将影响判断和数据之间的平衡。摆锤会朝经验主义者的方向摆动多远,这是可以推测的。我的期望是,在可预见的未来,免费防御cc平台,将领域知识纳入预测模型将继续提供竞争优势。但是,机器学习square的所有新机会是如何利用知情的怀疑论者建模方法提供的呢?FICO实验室正在寻求令人兴奋的新发展。我们开发了一种将树集成模型转换为可工程化的分段记分卡系统的方法,该系统可以轻松地检查、设计和部署。我们的方法有效地结合了机器学习和人类的专业知识。它可以最大限度地从数据中学习,同时保留专家对可部署模型表示的预测关系的控制。通过将灵活和客观的数据驱动预测与强加领域知识的能力相结合,美国的经验主义者可以高兴地看到,防ddos防御,在有偏见、限制性的假设下掩埋经验证据的幽灵得以避免,而美国发自内心的决策者对将要部署的内容保留最后的话语权。如果您关心此主题并希望了解更多信息,包括信用评分和保险欺诈的应用示例,请加入我们的FICO World 2013会议,主题是"机器学习和人类专业知识-设计大数据预测模型的更好方法"。