开发者社区

文档建议反馈控制台

最新优惠活动

文章/答案/技术大牛

发布

具有概率目标的决策树

是一种机器学习算法，用于解决具有概率目标的分类和回归问题。它是决策树算法的一种扩展，通过考虑目标变量的概率分布，能够更准确地预测未知样本的概率。

概率目标的决策树可以分为两种类型：概率分类树和概率回归树。

概率分类树：用于解决具有概率目标的分类问题。它通过构建一棵决策树，每个节点都代表一个特征，根据特征的取值将数据集划分为不同的子集。在每个叶节点上，概率分类树会计算每个类别的概率分布，然后根据概率分布进行分类预测。常见的应用场景包括垃圾邮件过滤、疾病诊断等。

推荐的腾讯云相关产品：腾讯云机器学习平台（https://cloud.tencent.com/product/tiia）

概率回归树：用于解决具有概率目标的回归问题。与传统的决策树不同，概率回归树在每个叶节点上不仅预测一个具体的数值，还会给出该数值的概率分布。这样可以提供更全面的预测结果，帮助决策者更好地理解预测的不确定性。常见的应用场景包括股票价格预测、房价预测等。

推荐的腾讯云相关产品：腾讯云机器学习平台（https://cloud.tencent.com/product/tiia）

总结：具有概率目标的决策树是一种能够考虑目标变量概率分布的机器学习算法，适用于解决具有概率目标的分类和回归问题。腾讯云提供的机器学习平台是一个强大的工具，可以帮助开发者快速构建和部署概率目标的决策树模型。

页面内容是否对你有帮助？

有帮助

没帮助

相关·内容

如何理解条件概率？

雷军在创业之初，用了两年半的时间，把手机从零做到了中国出货量第一，全球出货量第三。然而在过去的两年，小米也遇到了坎坷。2016年的时候，小米手机全球出货量跌出了前5名。

01

分析模型案例解析：决策树分析法 —决策常用的分析工具

没有模型很难做好分析，希望记住这句话。 1. 概念含义 1.1.基本概念决策树分析法又称概率分析决策方法，是指将构成决策方案的有关因素，以树状图形的方式表现出来，并据以分析和选择决策方案的一种系统分析法。它是风险型决策最常用的方法之一，特别式勇敢于分析比较复杂的问题。她以损益值为依据，比较不同方案的期望损益值（简称期望值），决定方案的取舍，其最大特点是能够形象地显示出整个决策问题在时间上和不同阶段上的决策过程，逻辑思维清晰，层次分明，非常直观。 2. 主要内容 2.1. 结构决策树是由不同结点和方案枝构

05

专栏 | 案例：电信用户分群精准画像的7个步骤

“每天一个数据”分析师新一期内容奉上，请享用~ 转载请注明来自CDA数据分析师否则小编将举报到底！本期我们有幸采访到的嘉宾名叫兰锦池，2012年硕士毕业，概率论与数理统计专业，崇尚概率论和统计学解决问题的思想，喜爱折腾各种实际数据，愿意跟数据挖掘模型死磕。现在他是一名资深数据挖掘工程师，主要负责用户行为分析和精准营销相关工作；曾做过某电信省公司的手机用户行为价值分群、手机终端升级概率预测模型、用户流失预警模型等。在兰锦池看来，工作中最困难的还是数据源的采集和结构化数据的获取，比如曾经做用户的手机上

30分钟理解决策树的基本原理

决策树是一种非参数的监督学习方法，它主要用于分类和回归问题。决策树模型通过一系列if then决策规则的集合，将特征空间划分成有限个不相交的子区域，对于落在相同子区域的样本，决策树模型给出相同的预测值。

01

PMP之项目风险管理

版权声明：欢迎交流，菲宇运维！ https://blog.csdn.net/bbwangj/article/details/83782179

04

以女大学生相亲为例，给你讲明白数据挖掘算法

如图1-11所示的树状图展现了当代女大学生相亲的决策行为。其考虑的首要因素的是长相，其他考虑因素依次为专业、年龄差和星座，同意与否都根据相应变量的取值而定。

02

机器学习的第一步：先学会这6种常用算法

【IT168 资讯】机器学习领域不乏算法，但众多的算法中什么是最重要的?哪种是最适合您使用的?哪些又是互补的?使用选定资源的最佳顺序是什么?今天笔者就带大家一起来分析一下。通用的机器学习算法包括：

【行业】2018年你应该知道的十大机器学习算法

本文简要介绍一些最常用的机器学习算法，没有代码，没有抽象理论，只有图片和一些如何使用它们的例子。

04

达观数据：5分钟带你理解机器学习及分类算法

机器学习是什么？机器学习是从历史数据（历史经验）中获取模型（规律），并将其应用到新的类似场景中。举个很简单的例子:

06

决策树1：初识决策树

决策树是一个非常有意思的模型，它的建模思路是尽可能模拟人做决策的过程。因此决策树几乎没有任何抽象，完全通过生成决策规则来解决分类和回归问题。因为它的运行机制能很直接地被翻译成人类语言，即使对建模领域完全不了解的非技术人员也能很好地理解它。因此在学术上被归为白盒模型（white box model）。

01

在茫茫决策树入门帖里，我强推这篇（附可视化图）

决策树是我最喜欢的模型之一，它们非常简单但是很强大。事实上，Kaggle中大多数表现优秀的项目都是XGBoost和一些非常绝妙的特征工程的结合，XGBoost是决策树的一种变体。决策树背后的概念非常简洁明了，下面就用具体案例解释一下。

01

决策树：使用SPSS分析银行拖欠货款用户的特征

前两文章，已经从理论上解释了构造决策树进行分类的做法。下面将利用工具SPSS来实现决策树分类。案例：某银行收集了2064个银行货款客户的信息，并且标识出客户是否违约。现在银行想了解一下那些拖欠货款者的客户具体有哪些特征，并且想构建一个模型，用于评估新的货款者的拖欠货款风险的评估。数据如下所示。 IBM SPSS Statistics工具是IBM推出的专业的用于数据分析和数据挖掘的工具，其中内置了大量的数据挖掘模型。决策树模型就在其中，点击菜单：分析à分类à树打开决策配置界面。第一步：

06

详解决策树 C4.5 算法

‍‍‍‍ 转自：Treant http://www.cnblogs.com/en-heng/p/5013995.html 决策树模型与学习决策树（decision tree）算法基于特征属性进行分类，其主要的优点：模型具有可读性，计算量小，分类速度快。决策树算法包括了由Quinlan提出的ID3与C4.5，Breiman等提出的CART。其中，C4.5是基于ID3的，对分裂属性的目标函数做出了改进。决策树模型决策树是一种通过对特征属性的分类对样本进行分类的树形结构，包括有向边与三类节点： 1、根节点

06

6种机器学习算法要点

📷 本文旨在为人们提供一些机器学习算法，这些算法的目标是获取关于重要机器学习概念的知识，同时使用免费提供的材料和资源。当然选择有很多，但哪一个是最好的？哪两个互相补充？什么是使用选定资源的最佳顺序？

09

理论：决策树及衍射指标

特征A对训练数据集D的信息增益g(D,A)，定义为集合D的经验熵H(D)与特征A给定条件下的经验条件熵H(D|A)之差

04

入门决策树 | 概述篇 | 山人聊算法 | 6th

说完了感知机的事儿。我们这次来聊聊决策树，决策树是一种可解释性好、对各种非线性情况适应性强的方法。

02

各种机器学习的应用场景分别是什么？

关于这个问题我今天正好看到了这个文章（http://t.cn/RJrTSLV）。讲的正是各个算法的优劣分析，很中肯。正好14年的时候有人做过一个实验[1]，比较在不同数据集上（121个），不同的分类

从零学习：详解基于树形结构的ML建模——决策树篇

来源：Analytics Vidhya 编译：Bot 编者按：通常，我们会把基于树形结构的学习算法认为是最好的、最常用的监督学习方法之一。树能使我们的预测模型集高精度、高稳定性和易解释于一身，与线性模型不同，它能更好地映射非线性关系，适用于解决分类或回归等任何问题。谈及基于树的学习算法，决策树、随机森林、gradient boosting等是现在被广泛应用于各种数据科学问题的一些方法。本文旨在帮助初学者从头开始学习基于树形结构进行建模，虽然没有机器学习知识要求，但仍假设读者具备一定的R语言或Python基

09

数据挖掘十大经典算法(9) 朴素贝叶斯分类器 Naive Bayes

贝叶斯分类器的分类原理是通过某对象的先验概率，利用贝叶斯公式计算出其后验概率，即该对象属于某一类的概率，选择具有最大后验概率的类作为该对象所属的类。眼下研究较多的贝叶斯分类器主要有四种，各自是：Naive Bayes、TAN、BAN和GBN。　　贝叶斯网络是一个带有概率凝视的有向无环图，图中的每个结点均表示一个随机变量,图中两结点间若存在着一条弧，则表示这两结点相相应的随机变量是概率相依的，反之则说明这两个随机变量是条件独立的。网络中随意一个结点X 均有一个对应的条件概率表(Conditional Probability Table，CPT)，用以表示结点X 在其父结点取各可能值时的条件概率。若结点X 无父结点,则X 的CPT 为其先验概率分布。贝叶斯网络的结构及各结点的CPT 定义了网络中各变量的概率分布。　　贝叶斯分类器是用于分类的贝叶斯网络。该网络中应包括类结点C，当中C 的取值来自于类集合( c1 , c2 , … , cm)，还包括一组结点X = ( X1 , X2 , … , Xn)，表示用于分类的特征。对于贝叶斯网络分类器，若某一待分类的样本D，其分类特征值为x = ( x1 , x2 , … , x n) ，则样本D 属于类别ci 的概率P( C = ci | X1 = x1 , X2 = x 2 , … , Xn = x n) ，( i = 1 ,2 , … , m) 应满足下式：　　P( C = ci | X = x) = Max{ P( C = c1 | X = x) , P( C = c2 | X = x ) , … , P( C = cm | X = x ) } 　　而由贝叶斯公式：　　P( C = ci | X = x) = P( X = x | C = ci) * P( C = ci) / P( X = x) 　　当中，P( C = ci) 可由领域专家的经验得到,而P( X = x | C = ci) 和P( X = x) 的计算则较困难。　　应用贝叶斯网络分类器进行分类主要分成两阶段。第一阶段是贝叶斯网络分类器的学习，即从样本数据中构造分类器，包含结构学习和CPT 学习；第二阶段是贝叶斯网络分类器的推理，即计算类结点的条件概率，对分类数据进行分类。这两个阶段的时间复杂性均取决于特征值间的依赖程度，甚至能够是 NP 全然问题，因而在实际应用中，往往须要对贝叶斯网络分类器进行简化。依据对特征值间不同关联程度的如果，能够得出各种贝叶斯分类器，Naive Bayes、TAN、BAN、GBN 就是当中较典型、研究较深入的贝叶斯分类器。

02

决策树详解

总第79篇 01|背景：我们在日常生活中经常会遇到一些选择需要去做一些选择，比如我们在找工作的时候每个人都希望能找到一个好的工作，但是公司那么多，工作种类那么多，什么样的工作才能算是好工作，这个时候就需要我们对众多的工作去做一个判断。最常用的一种方法就是制定几个可以衡量工作好坏的指标，比如公司所处的行业是什么、应聘的岗位是什么、投资人是谁、薪酬待遇怎么样等等。评判一个工作好坏的指标有很多个，但是每一个指标对工作好坏这一结果的决策能力是不一样的，为了更好的对每一个指标的决策能力做出判断，我们引入一个可以

05

10 种最热门的机器学习算法|附源代码

1、线性回归线性回归通常用于根据连续变量估计实际数值（房价、呼叫次数、总销售额等）。我们通过拟合最佳直线来建立自变量和因变量的关系。这条最佳直线叫做回归线，并且用 Y= a *X + b 这条线性等式来表示。理解线性回归的最好办法是回顾一下童年。假设在不问对方体重的情况下，让一个五年级的孩子按体重从轻到重的顺序对班上的同学排序，你觉得这个孩子会怎么做？他（她）很可能会目测人们的身高和体型，综合这些可见的参数来排列他们。这是现实生活中使用线性回归的例子。实际上，这个孩子发现了身高和体型与体重有一定的关系，

05

入门十大Python机器学习算法

今天，给大家推荐最常用的10种机器学习算法，它们几乎可以用在所有的数据问题上： 1、线性回归线性回归通常用于根据连续变量估计实际数值（房价、呼叫次数、总销售额等）。我们通过拟合最佳直线来建立自变量和因变量的关系。这条最佳直线叫做回归线，并且用 Y= a *X + b 这条线性等式来表示。理解线性回归的最好办法是回顾一下童年。假设在不问对方体重的情况下，让一个五年级的孩子按体重从轻到重的顺序对班上的同学排序，你觉得这个孩子会怎么做？他（她）很可能会目测人们的身高和体型，综合这些可见的参数来排列他们。这是

05

关于决策树，你一定要知道的知识点！

👆关注“博文视点Broadview”，获取更多书讯在现实生活中，我们每天都会面对各种抉择，例如根据商品的特征和价格决定是否购买。不同于逻辑回归把所有因素加权求和然后通过Sigmoid函数转换成概率进行决策，我们会依次判断各个特征是否满足预设条件，得到最终的决策结果。例如，在购物时，我们会依次判断价格、品牌、口碑等是否满足要求，从而决定是否购买。决策的流程，如图1所示。图1 可以看到，决策过程组成了一棵树，这棵树就称为决策树。在决策树中，非叶子节点选择一个特征进行决策，这个特征称为决策点，叶子节

00

决策树与随机森林

首先，在了解树模型之前，自然想到树模型和线性模型有什么区别呢？其中最重要的是，树形模型是一个一个特征进行处理，之前线性模型是所有特征给予权重相加得到一个新的值。决策树与逻辑回归的分类区别也在于此，逻辑回归是将所有特征变换为概率后，通过大于某一概率阈值的划分为一类，小于某一概率阈值的为另一类；而决策树是对每一个特征做一个划分。另外逻辑回归只能找到线性分割（输入特征x与logit之间是线性的，除非对x进行多维映射），而决策树可以找到非线性分割。

02

技能 | 基于树的建模-完整教程(R & Python)

简介: 基于树的学习算法被认为是最好的方法之一，主要用于监测学习方法。基于树的方法支持具有高精度、高稳定性和易用性解释的预测模型。不同于线性模型，它们映射非线性关系相当不错。他们善于解决手头的任何问题（分类或回归）。决策树方法，随机森林，梯度增加被广泛用于各种数据科学问题。因此，对于每一个分析师(新鲜)，重要的是要学习这些算法和用于建模。决策树、随机森林、梯度增加等方法被广泛用于各种数据科学问题。因此，对于每一个分析师(包括新人)，学习这些算法并用于建模是非常重要的。本教程是旨在帮助初学者从头学习基于

07

基于树的预测模型-完整教程

基于树的学习算法被认为是最好的方法之一，主要用于监测学习方法。基于树的方法支持具有高精度、高稳定性和易用性解释的预测模型。不同于线性模型，它们映射非线性关系相当不错。他们善于解决手头的任何问题（分类或回归）。决策树方法,随机森林,梯度增加被广泛用于各种数据科学问题。因此,对于每一个分析师(新鲜),重要的是要学习这些算法和用于建模。决策树、随机森林、梯度增加等方法被广泛用于各种数据科学问题。因此,对于每一个分析师(包括新人)，学习这些算法并用于建模是非常重要的。本教程是旨在帮助初学者从头学习基于树

05

干货：基于树的建模-完整教程(R & Python)

来源：“数盟社区” 原文链接：http://dataunion.org/23697.html 简介基于树的学习算法被认为是最好的方法之一，主要用于监测学习方法。基于树的方法支持具有高精度、高稳定性和易用性解释的预测模型。不同于线性模型，它们映射非线性关系相当不错。他们善于解决手头的任何问题（分类或回归）。决策树、随机森林、梯度增加等方法被广泛用于各种数据科学问题。因此,对于每一个分析师(包括新人)，学习这些算法并用于建模是非常重要的。本教程是旨在帮助初学者从头学习基于树的建模。在成功完成本教程之后,

07

女神也用的约会决策：决策树算法实践

今天要介绍的是一个应用非常广泛的机器学习模型——决策树。首先从一个例子出发，看看女神是怎样决策要不要约会的；然后分析它的算法原理、思路形成的过程；由于决策树非常有价值，还衍生出了很多高级版本。决策树是机器学习中强大的有监督学习模型，本质上是一个二叉树的流程图，其中每个节点根据某个特征变量将一组观测值拆分。决策树的目标是将数据分成多个组，这样一个组中的每个元素都属于同一个类别。决策树也可以用来近似连续的目标变量。在这种情况下，树将进行拆分，使每个组的均方误差最小。决策树的一个重要特性可解释性好，即使你不熟悉机器学习技术，也可以理解决策树在做什么。

02

算法工程师-机器学习面试题总结(3)

FM（因子分解机）模型和逻辑回归是两种常见的预测建模方法，它们在一些方面有不同的优缺点

02

手把手带你开启机器学习之路——决策树的理解与实践

决策树是一种有监督的机器学习算法，可以实现分类和回归任务，通常对数据有比较好的拟合效果。

02

【Scikit-Learn 中文文档】决策树 - 监督学习 - 用户指南 | ApacheCN

本文介绍了机器学习中的决策树算法，包括基本概念、原理、优缺点以及决策树的应用场景。同时，还介绍了scikit-learn库中的决策树实现，以及如何使用该库进行机器学习。

05

决策树算法十问及经典面试问题

2.ID3和C4.5算法可以处理实数特征吗？如果可以应该怎么处理？如果不可以请给出理由？

06

机器学习三人行(系列八)----神奇的分类回归决策树(附代码)

系列五我们一起学习并实战了支持向量机的分类和回归，见下面链接：机器学习三人行(系列七)----支持向量机实践指南(附代码) 今天，我们一起学习下决策树算法，该算法和SVM一样，既可以用来分类，也可以用来回归。之前系列的文章，我们大多都是先学原理，再来实战，今天我们反着走一遭，先来实战，再看原理。因为决策树这个算法的模型是可以可视化的，所以看过模型之后，再去理解原理会easy些。今天的主要内容如下：决策树分类实战决策树算法简介决策树回归实战决策树稳定性分析一. 决策树分类实战决策树其实是一种很容

机器学习 | 决策树模型（一）理论

决策树（Decision tree）是一种基本的分类与回归方法，是一种非参数的有监督学习方法。

02

决策树算法十问及经典面试问题

2.ID3和C4.5算法可以处理实数特征吗？如果可以应该怎么处理？如果不可以请给出理由？

01

机器学习（6）——决策树前言：

前言：通过第前面的学习介绍了机器学习回归模型创建的流程，并且知道了机器学习要做的事情是找到目标函数，优化它，通过每次迭代都使目标函数值最小，最优解就是目标函数最小化时侯对应的模型参数。而这一章会介绍一种和回归模型流程相反的模型—决策树，它是通过建立树模型之后，才得到的损失函数，并且成为衡量决策树模型的指标。有时候数据特征众多且巨大，可以利用这种直观的树结构对数据特征进行切分，然后再构建模型。本章主要涉及到的知识点有：信息熵决策树决策树优化树剪枝算法决策树可视化算法思想：从决策到决策树本节首

决策树案例：基于python的商品购买能力预测系统

1 决策树/判定树（decision tree) ---- 1 决策树（Dicision Tree）是机器学习有监督算法中分类算法的一种，有关机器学习中分类和预测算法的评估主要体现在：准确率：预测的准确与否是本算法的核心问题，其在征信系统，商品购买预测等都有应用。速度：一个好的算法不仅要求具备准确性，其运行速度也是衡量重要标准之一。强壮行：具备容错等功能和扩展性等。可规模性：能够应对现实生活中的实际案例可解释性：运行结果能够说明其含义。 2 判定树是一个类似于流程图的树结构：其中，每个内部结

07

算法交易，此篇足矣！

本期，公众号将对算法交易做一介绍，在后面的几期推文中，我们将展开对算法交易的技术应用、算法结构等进行讲解！

02

【spark】什么是随机森林

1.什么是随机森林随机森林就是通过集成学习的思想将多棵树集成的一种算法，它的基本单元是决策树，而它的本质属于机器学习的一大分支——集成学习（Ensemble Learning）方法。

01

MODELER C5.0

摘要：机器学习在各个领域都有广泛的应用，特别在数据分析领域有着深远的影响。决策树是机器学习中最基础且应用最广泛的算法模型。本文介绍了机器学习的相关概念、常见的算法分类和决策树模型及应用。通过一个决策树案例，着重从特征选择、剪枝等方面描述决策树的构建，讨论并研究决策树模型评估准则。最后基于 R 语言和 SPSS Modeler这两个工具，分别设计与实现了决策树模型的应用实例。1.机器学习机器学习在各个领域都有广泛的应用，特别在数据分析领域有着深远的影响。决策树是机器学习中最基础且应用最广泛的算法模型。本

06

MODELER C5.0

摘要：机器学习在各个领域都有广泛的应用，特别在数据分析领域有着深远的影响。决策树是机器学习中最基础且应用最广泛的算法模型。本文介绍了机器学习的相关概念、常见的算法分类和决策树模型及应用。通过一个决策树案例，着重从特征选择、剪枝等方面描述决策树的构建，讨论并研究决策树模型评估准则。最后基于 R 语言和 SPSS Modeler这两个工具，分别设计与实现了决策树模型的应用实例。1.机器学习

06

数据代码分享|R语言用CHAID决策树分析花卉栽培影响因素数据可视化、误差分析

在植物学和农业科学领域，理解影响植物生长和花朵产生的因素对于提高生产效率和优化栽培方法具有重要意义。因此，对于一个包含多个变量的数据集进行全面的分析和可视化是非常有帮助的。

02

R语言逻辑回归(Logistic Regression)、回归决策树、随机森林信用卡违约分析信贷数据集

本文中我们介绍了决策树和随机森林的概念，并在R语言中用逻辑回归、回归决策树、随机森林进行信用卡违约数据分析（查看文末了解数据获取方式）（点击文末“阅读原文”获取完整代码数据）。

03

Come On！决策树算法！

机器学习在各个领域都有广泛的应用，特别在数据分析领域有着深远的影响。决策树是机器学习中最基础且应用最广泛的算法模型。本文介绍了机器学习的相关概念、常见的算法分类和决策树模型及应用。通过一个决策树案例，着重从特征选择、剪枝等方面描述决策树的构建，讨论并研究决策树模型评估准则。最后基于 R 语言和 SPSS 这两个工具，分别设计与实现了决策树模型的应用实例。机器学习概念机器学习 (Machine Learning) 是近 20 多年兴起的一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、算法复杂度

09

决策树算法原理及案例「建议收藏」

机器学习在各个领域都有广泛的应用，特别在数据分析领域有着深远的影响。决策树是机器学习中最基础且应用最广泛的算法模型。本文介绍了机器学习的相关概念、常见的算法分类和决策树模型及应用。通过一个决策树案例，着重从特征选择、剪枝等方面描述决策树的构建，讨论并研究决策树模型评估准则。最后基于 R 语言和 SPSS Modeler这两个工具，分别设计与实现了决策树模型的应用实例。

02

决策树(ID3,C4.5,CART)原理以及实现

决策树是一种基本的分类和回归方法.决策树顾名思义,模型可以表示为树型结构,可以认为是if-then的集合,也可以认为是定义在特征空间与类空间上的条件概率分布.

01

R语言逻辑回归(Logistic Regression)、回归决策树、随机森林信用卡违约分析信贷数据集|附代码数据

本文中我们介绍了决策树和随机森林的概念，并在R语言中用逻辑回归、回归决策树、随机森林进行信用卡违约数据分析

00

数据分析入门系列教程-决策树原理

今天我们一起来学习决策树，那么什么是决策树呢，其实在生活中，我们无时无刻不在使用它。

03

R语言逻辑回归(Logistic Regression)、回归决策树、随机森林信用卡违约分析信贷数据集|附代码数据

本文中我们介绍了决策树和随机森林的概念，并在R语言中用逻辑回归、回归决策树、随机森林进行信用卡违约数据分析

01

基于 Openpose 实现人体动作识别

伴随着计算机视觉的发展和在生活实践中的广泛应用，基于各种算法的行为检测和动作识别项目在实践中得到了越来越多的应用，并在相关领域得到了广泛的研究。在行为监测方面，不仅仅有通过图形、温湿度、声音等信息进行蜂群行为的监测，同时更多的应用是集中在人类行为监测上。而人体姿态识别作为行为监测重要参考依据在视频捕捉、计算机图形学等领域得到了广泛应用。其中传统的人体姿态识别方法有RMPE模型和Mask R-CNN模型，它们都是采用自顶向下的检测方法，而Openpose作为姿态识别的经典项目是采用的自底向上的检测方法，主要应用于行为监测、姿态纠正、动作分类，在智能家居、自动驾驶、智能监控等领域局具有重要的研究意义和应用价值。

03

扫码

添加站长进交流群

领取专属 10元无门槛券

手把手带您无忧上云

扫码加入开发者社群

相关资讯

热门标签

活动推荐

运营活动

活动名称

广告关闭