首页
学习
活动
专区
工具
TVP
发布
精选内容/技术社群/优惠产品,尽在小程序
立即前往

横向规则:好或坏的设计决策

横向规则是指在同一时间维度上,对不同对象或元素进行横向比较和对比,进而得出某种结论或决策规则。在云计算领域中,横向规则通常用于比较不同云服务商的服务、价格、性能、安全性等方面的差异和优劣,进而为用户选择合适的云服务商提供决策支持。

好的横向规则应该具有以下特点:

  1. 能够客观地比较不同云服务商的差异和优劣,而不是仅仅从某个特定的云服务商的角度出发。
  2. 能够考虑多种因素,包括服务、价格、性能、安全性等,而不是仅仅考虑某个方面。
  3. 能够提供具体的比较数据和依据,而不是仅仅给出主观的判断和评价。
  4. 能够帮助用户做出理性的决策,而不是仅仅给出主观的推荐或建议。

相反,坏的横向规则可能会导致用户做出错误的决策,或者被某些云服务商利用来推广自己的服务。例如,如果某个云服务商为了推广自己的服务,而给出不客观的评价和比较,那么用户可能会选择其他云服务商,而不是真正适合自己的服务。

因此,在云计算领域中,横向规则的应用需要谨慎和客观,应该遵循一些基本原则和步骤,以确保用户能够做出理性、客观和明智的决策。

页面内容是否对你有帮助?
有帮助
没帮助

相关·内容

动画:BM 算法中字符规则后缀规则

BM 算法中有两个核心规则,本文主要介绍这两个规则。 定义 BM算法 一个特点是当不匹配时候 一次性可以跳过不止一个字符 。即它不需要对被搜索字符串中字符进行逐一比较,而会跳过其中某些部分。...字符规则(bad-character shift):当文本串中某个字符跟模式串某个字符不匹配时,我们称文本串中这个失配字符为字符,此时模式串需要向右移动,移动位数 = 字符在模式串中位置...后缀规则(good-suffix shift):当字符失配时,后移位数 = 后缀在模式串中位置 - 后缀在模式串上一次出现位置,且如果后缀在模式串中没有再次出现,则为 -1。...后缀针对是模式串。 ? 字符规则 字符出现时候有两种情况进行讨论。 1、模式串中没有出现了文本串中那个字符,将模式串直接整体对齐到这个字符后方,继续比较。 ? ?...后缀规则 1、如果模式串中存在已经匹配成功后缀,则把目标串与后缀对齐,然后从模式串最尾元素开始往前匹配。 ? ?

1.7K20

从人机界面设计黄金三法则视角看 ChatGPT 界面设计”与“

本文将介绍什么是人机界面设计黄金三法则,同时从人机交互设计黄金三法则角度谈谈 ChatGPT 界面设计”与“”。...比如,高级玩家可以使用快捷键来快速执行复杂操作。 使用户隔离内部技术细节: 这就像使用智能手机一样,你不需要了解它内部所有技术细节就能进行通话、发送信息使用各种应用程序。...如果咖啡机有一个“每日咖啡”按钮,按下去就自动根据你平时最喜欢方式制作咖啡,这样默认设置就大大减少了你操作和决策。...以不断进展方式揭示信息: 想象你第一次玩一个新游戏,游戏不是一开始就把所有的操作和规则都告诉你,而是随着你进度逐步介绍新元素。...三、ChatGPT 界面设计”与“” 3.1 符合三法则 ChatGPT 界面设计 (1) 置于用户控制之下 以不强迫用户进入不必要或者不希望动作方式来定义交互方式 支持通过对话方式创建

21800
  • 架构治理基石:基于规范 + 模式工具化

    也因此,在架构治理上,我们可以用一些简单元素来进行概括。 模式。寻找味道,并使用好设计来改进它。 规范。一个关于架构决策文档化。 规则 。...规范工具化与形式化表示 于是乎,在我们场景下,架构治理方案就可以围绕于三个要素来构建。 模式:味道与方案 在我们行业里,会将解决特定问题解决方案称之为模式,如设计模式、架构模式。...这些广为流传编程模式,都是、最佳实践。但是,就个人而言,而另外一类,不好模式其实也是模式,不过,我们往往把它们称为有味道(Smell),代码里是代码味道,架构里便是架构味道。...而味道本身即是与模式进行比较,即好实践应该是怎样。 也因此,在治理第一步就是让味道能浮出来。...在另种一个话题:轻量级架构决策里,我们定义是架构决策应该编写出来,以格式化文档。 规范本质是推荐一系列最佳实践。“年轻” 开发者往往不能理解诸多实践意义,为什么它应该这么做?

    46220

    机器学习决策树:提炼出分类器算法

    1 数据集介绍 有一堆苹果,现在要分析下哪些苹果是,哪些是,主要根据三个特征:大小,颜色,和形状进行区分。...,根节点选择特征为颜色,并且判断条件为小于0.5,可以看出它是取值[0,1]中间值作为不等式判断条件,基尼系数为0.48,也就是说鱼龙混杂度还是挺大,可以看到此时value有6个果>4个果,...所以这个根节点类别被标记为果。...第二步,我们去掉一个颜色特征,从大小和形状中选择一个最佳特征进行分裂,结果选择形状作为第二个分裂特征,这个节点对应样本中:1个果,4个果,所以此节点标记为果,然后根据其取值:如果形状为圆形,则获得一个叶节点...,其所有3个果子都是果,如果形状不规则,则 第三步,又得到一个非叶节点,它基尼系数变为0.5,但是数量只有2个,则此时拿掉上一个用过形状特征后,目前只剩下一个特征:大小,小果,对应样本数为

    79680

    应用决策树生成【效果】【非过拟合】策略集

    本文介绍应用决策树生成效果,非过拟合策略集。 一、什么是决策决策树:通过对已知样本学习,一步一步将特征进行分类,从而将整个特征空间进行划分,进而区分出不同类别的算法。...根据内部节点判断条件结果,其对应数据集合被分到两个多个子节点中。 4.父节点:划分出子节点节点。 5.子节点:由父节点根据某一规则分裂而来节点。...故一般不把历史逾期不超过x天(根据公司实际业务情况和数据分析结果得出)客户定义为客户(这里不是坏人意思,纯粹指逾期超过x天客户)。...pd.merge(df, df_test, on='Rules') return df_all df_all = rule_date(df, Xtest_date) 得到结果: 9 筛选效果规则...最后筛选想要规则集,代码如下: df_all_f = df_all[df_all['bad_rate']>=0.06] df_all_f 得到结果: 可以发现筛选后规则样本率超过整体样本率

    14610

    写给刚入门数据分析师几点建议

    1.数据是有立场,立场决定解读 数据对于业务来讲,是KPI衡量标杆,也是行动指南。但一旦涉及到立场和方向性东西,必然有利益触发点问题。比如同样一次活动网站转化率是1.2%,是还是?...我们知道比较分析方法有环比、占比、定基比、横向比、纵向比等,其中如环比可以比较昨日、上周今日、上月今日等,不同时间对比出结果一定有差异,甚至是迥然不同结果。...那面对这种情况,除了分析师经验以外,在都符合统计学规律前提下该如何判断活动效果好坏? 第一步结果总算出来了。 那么假设结果是(先不管对比是什么时间),那确实是吗?...,但实际情况是业务通常是数据不敏感,主要表现在: 业务没有数据决策意识。...,并且这些都能在“数据”、“结果”出来之前通过数据区去改善,这些将比结果出来后再去分析要更有意义。

    53571

    介绍篇 决策引擎环节

    大家,又见面了,我是你们朋友全栈君。...最重要事情最后都会讲:建模是始终服务于业务,没有业务评分卡就没有灵魂 决策引擎概念简述 在我理解上 决策引擎类似是一个管道、运输系统,连通整个风控流程,所有的规则和评分卡以及流程都覆盖其中,分配到每一个环节...(比如人工),将结果返回给决策引擎,走入下一个流程 决策引擎使用规则 决策引擎分流效果 评分卡是内置在决策引擎当中,基于评分卡分段,评分卡使用具体参见:评分卡在策略中使用,进行分流,分流决策目的是为让好客户以及有借款欲望客户进一步走入下一流程...决策引擎规则顺序 1 并行和串行并举 客户命中规则 或者 客户在某评分卡某个阶段,共同作用,即条件A条件B均可进入C环节 2 规则先后性 内部规则 优于 外部规则,比如黑名单信息,用户基本信息等...,内部规则准确性实际上要优于外部规则 3 IV很强变量实际更适合作为决策引擎规则 一个变量分箱后,里面全部都是客户,那么可以直接作为TK规则,而不是放入评分卡中 4 规则效率 直接结果和二次处理结果效率是不同

    63430

    机器学习在金融风控经验总结!

    当然反过来如果风控做得好,违约率稍微下降一些,大家就可以开心过个年了:) 此外,风险具有滞后性,用户借款后至少要一个月才能知道是否会违约,甚至很多用户在还了半年甚至一年之后才违约。...「缺失值/异常值处理」 不同数据源可能缺失值填充方式不同,需要统一标识;另外在风控场景往往需要考虑缺失异常值背后原因是什么,因为可能和风险相关。...例如可以看预测风险最高一组是否可以直接拒绝,又如看预测风险最低一组决策进行决策是否可以审批通过。 三、特征工程 特征衍生方法是比较通用,本章主要介绍实践中一点经验之谈。...2.特征筛选策略 强规则、调整频繁规则对应特征不用:模型不稳定会受规则调整影响 稳定性差特征不用(根据psi计算):一般PSI超过10%特征,考虑不入模,如果不稳定特征效果很好,考虑用于规则,这样从特征层面保证模型稳定性...因为模型进入决策,拦掉了较坏那群人,效果肯定会下降一般保证线上ks在0.2左右,且保序即可。

    2.7K21

    机器学习在金融风控经验总结!

    当然反过来如果风控做得好,违约率稍微下降一些,大家就可以开心过个年了:) 此外,风险具有滞后性,用户借款后至少要一个月才能知道是否会违约,甚至很多用户在还了半年甚至一年之后才违约。...「缺失值/异常值处理」 不同数据源可能缺失值填充方式不同,需要统一标识;另外在风控场景往往需要考虑缺失异常值背后原因是什么,因为可能和风险相关。...例如可以看预测风险最高一组是否可以直接拒绝,又如看预测风险最低一组决策进行决策是否可以审批通过。 三、特征工程 特征衍生方法是比较通用,本章主要介绍实践中一点经验之谈。...2.特征筛选策略 强规则、调整频繁规则对应特征不用:模型不稳定会受规则调整影响 稳定性差特征不用(根据psi计算):一般PSI超过10%特征,考虑不入模,如果不稳定特征效果很好,考虑用于规则,这样从特征层面保证模型稳定性...因为模型进入决策,拦掉了较坏那群人,效果肯定会下降一般保证线上ks在0.2左右,且保序即可。

    1.8K30

    需求风险味道和对策|TW洞见

    识别味道 要明白软件工程是一件专业度很强事情,你必须教育客户明白,如何管理一个软件工程味道」,以下场景你是否似曾相识: 「这个需求我们实现过,只需要一周时间就可以完成」; 「关于这个需求你做一个方案给我选一选...这代表你客户不理解在软件开发中,“需求分析”也是工作量一部分,AB稿在设计界中广泛存在,在我看来是最低效一种决策方式,这一问题在软件交付中也同样存在。...你会尽可能做出一个更趋向于复杂设计、以求得客户决策,最终结果是需求被放大。...当然你必须给客户一个明确优先级指导框架,例如在一个新系统里,建立新概念间关系,优于对于一个已有概念关系进行深入优化,达成一致后,决策效率会更高。...这样方式帮助我们强有力地抓住了需求源头,阻止需求扩大、朝错误方向演进。

    65270

    一文看懂风控模型所有

    好坏定义 相信很多没做过建模读者朋友也听说过“好客户”、“客户”说法,但其实在这其中,怎样客户算“”,怎样客户算“”都是很有讲究。...假定一个客户为0,为1,预测这个客户是or概率p属于[0,1] 评分卡按照使用阶段分为申请卡、行为卡、催收卡 A卡(Application scorecard)申请评分卡:在客户申请处理期...对于没有接触或者未从事模型设计开发工作读者朋友们,不妨也了解下设计思路,便于提升风控策略等其他工作风险管理效能,毕竟,风控评分模型、策略规则甚至产品设计,彼此不分家!...样本分类阈值移动设计方法是,在分类学习中面对样本不均衡时,我们可以采用原有不均衡样本进行学习,然后通过改变决策规则来做分类,比如在样本均衡时我们0.5作为分类阈值,而在样本不均衡情况下我们可以规定预测概率需要达到...该函数需要二分类真实值和预测值,它可以是正例概率估计,置信值,二分决策值。

    6.3K22

    图解机器学习 | 决策树模型详解

    在本篇中我们讨论用于分类决策原理知识。决策树模型呈树形结构,在分类问题中,一颗决策树可以视作 if-then 规则集合。模型具有可读性,分类速度快特点,在各种实际业务建模过程中广泛使用。...(2)信息增益 大家对信息熵有了解后,我们就可以进一步了解信息增益(Information Gain),它衡量是我们选择某个属性进行划分时信息熵变化(可以理解为基于这个规则划分,不确定性降低程度)...数据集分为瓜、瓜,所以 |y|=2。 根结点包含17个训练样例,其中瓜共计8个样例,所占比例为8/17。 瓜共计9个样例,所占比例为9/17。...D3(色泽=浅白),包含\left \{ 5,11,12,14,16 \right \} ,5个样例,其中瓜样例为\left \{ 5 \right \} ,比例为1/5,瓜样例为\left \...若选「瓜」,验证集中{4,5,8}被分类正确,得到验证集精度为3/7x100%=42.9% 根据结点②③④训练样例,将这3个结点分别标记为「瓜」、「瓜」、「瓜」。

    3.6K63

    异常检测原理及其在计算机视觉中应用

    异常检测和数据 异常检测将如何在三种不同情况下发生,具体取决于数据情况。 监督: 在这种情况下,训练数据被标记为““异常”()。监督场景是理想。...资源用于结构化数据流行 ML/DL 算法: 支持向量机学习 k 最近邻 (KNN) 贝叶斯网络 决策树 半监督: 在半监督场景中,所有数据都被假定为“”,并且被“异常”()数据点污染。...用于结构化数据流行 ML/DL 算法: 自动编码器 一类 SVM 高斯混合模型 核密度估计 无监督: 在无监督场景中,训练数据是未标记,由“”和“异常”()数据点组成。...无监督场景中数据集没有将其部分标记为。 “无监督学习中最常见任务是聚类、表示学习和密度估计。在所有这些情况下,我们都希望在不使用明确提供标签情况下了解数据固有结构。”...在他们研究中,作者考虑了以下异常情况: (1) 违反私人规则物体:建筑物背面出现任何人车辆。建筑物左侧出现任何车辆 (2)违反公共规则物体:行人只能使用斑马线过马路。

    97620

    路径依赖 - 偶然决策导致依赖。

    当前以及未来状态、行为是由过去状态、行为和决策所决定。理解路径依赖这个概念,能让你能更清晰了解历史,在一些关键选择上谨慎决策。...而你习惯性行为会加强你正反馈路径,最终形成一个路径依赖,路径依赖是中性词,好坏也只是相对个人而言,换个角度换个环境,所谓也是,所谓也是。...有种说法认为这种键盘字母排列布局其实是不合理,当初的人之所以把键盘设计成这个样子,是为了降低人们打字速度,防止老式打字机键杆撞在一起卡壳。...比如技术领域知识更新比较快,了解新语言新特性能提高你工作效率。 3、审视自己某些行为是否是路径依赖导致。需要改进,及时刻意去改善。比如习惯性说一些口头禅,经常使用工具。需要早点行动。...路径依赖更多是偶然性造成习惯,价值网依赖更多是以成本计算最佳决策

    65020

    【经验分享 】数据产品开发前必修课

    这是第二种对比方式,即横向对比。横向对比不能告诉你变好还是变坏,但能告诉你是还是。 那聪明孩子肯定知道第三种对比方式了。纵向与横向都进行对比,一个指标的价值才会体现。...如图,订单量从纵向和横向(不同规模客户)进行了对比。...下钻深度可以随着数据积累慢慢增加,但下钻和筛选必须同步开发,缺一不可。 重视导出和接口,但要重视权限 数据产品最终是给企业决策提供依据,看的人应该是管理层和部分业务层。...明确内部运营数据产品目的 从上文中案例和场景描述中,已经清晰地看到:数据产品目的就是发现运营当中问题, 以决策者地角度去设计功能。...PPV课其他精彩文章: ---- 1、回复“干货”查看干货 数据分析师完整知识结构 2、回复“答案”查看大数据Hadoop面试笔试题及答案 3、回复“设计”查看这是我见过最逆天设计,令人惊叹叫绝

    66140

    风控中必做数据分析

    通过KYC,你可以大致知道发力方向在哪里,是拓展新户还是挖掘存户,是提升风控能力还是优化产品设计,等等。 02 漏斗分析 进件漏斗分析可以帮助我们定位到产品设计薄弱位置,从而针对优化。...逾期率,各家定义可能不太一样,例如当季逾期贷款剩余本金/当季度放款总剩余本金,可以用来从横向比较一下坏账波动。对于模型层面,逾期率往往指的是用户占比,是人数而非金额比例。...当然,这些前端信息并不能完全衡量出后端风险。 Vintage分析是反映不同账龄周期用户风险情况,直白地说,是各个时间阶段(如月份)申请人在往后各个账龄下有没有出现过M1+逾期(其他)统计结果。...假如逾期7+的人有很多人还会还,但逾期30+的人基本就不还款了,那我们就可以以30+为定义。大抵如此。...KS值优势在于它反应就是取最优决策点时好坏用户被拒绝掉差异,和策略制定是直接相关,可通过SQL和Excel计算。

    1.2K30

    【业界】机器学习算法透明度是一把双刃剑,该如何应对?

    关于GDPR争论,主要是因为这个立法在全球影响,它引入严厉罚款,或者更严格“知情同意”规则作为处理个人数据条件。 然而,GDPR给企业带来一个挑战被忽视:公民解释权。...GDPR引入扩大其他公民权利,如反对分析权利,获得收集个人数据权利,或者被忘记权利–如果全部遵守,这些可能非常昂贵。但是许多公司发现自己无法提供个人数据处理结果解释。...基于决策机器学习方法理论上可以决定学习路径。但存在着严重约束,使得任何说明都非常困难。 让我们来看一个极其简单例子。假设一家银行有一个机器学习系统来决定申请贷款的人信用度。...基于之前贷款数据——包括他们收入,被贴上“标签——系统会自行学习预测新贷款申请是“”。...必要基础研究 为了能够解释他们自动化决策过程背后原因,并赋予他们对客户解释权利,公司必须彻底改进,才能理解机器学习如何在我们理解中取得根本性改进。

    91840

    自动驾驶“大脑” ——控制工程篇(一)

    ,从而具备在复杂行驶环境下传感感知、决策规划、控制执行等功能,以实现安全、高效、舒适和节能自动智能行驶。...综合考虑交通规则、驾驶经验、全局路径等先验知识,完成决策。...此外,智能汽车软件架构将决策控制与传感器感知信息解耦,增加减少一路几路传感器、改变传感器型号安装位置,不再对决策控制直接造成影响。...车辆横向控制主要有两种基本设计方法,一种是基于驾驶员模拟方法;另一种是给予汽车横向运动力学模型控制方法。...基于驾驶员模拟方法,一种策略是使用较简单运动力学模型和驾驶员操纵规则设计控制器;另一策略是用驾驶员操纵过程数据训练控制器获取控制算法。基于运动力学模型方法要建立较精确汽车横向运动模型。

    2.7K81

    分享 :数据产品开发前必修课

    这是第二种对比方式,即横向对比。横向对比不能告诉你变好还是变坏,但能告诉你是还是。 那聪明孩子肯定知道第三种对比方式了。纵向与横向都进行对比,一个指标的价值才会体现。...如图,订单量从纵向和横向(不同规模客户)进行了对比。...时间维度优先,明确时间范围和显示颗粒度 这条原则不是非常绝对,但是以我经验,任何数据指标,你都得先纵向地观察变好还是变坏,才有必要去横向切片(用其他维度去探究为什么)。使用场景参考案例一。...下钻深度可以随着数据积累慢慢增加,但下钻和筛选必须同步开发,缺一不可。 重视导出和接口,但要重视权限 数据产品最终是给企业决策提供依据,看的人应该是管理层和部分业务层。...明确内部运营数据产品目的 从上文中案例和场景描述中,已经清晰地看到:数据产品目的就是发现运营当中问题, 以决策者地角度去设计功能。

    35921

    中国程序员视角下英文命名

    不管是日本人设计 Ruby还是巴西人设计 Lua,各种语法采用全都是英语。所以,想要成为一个优秀程序员,会用英语写代码是必要。...一般命名规则是: 类名是个名词 表示一个对象 方法名是个动词动宾短语 表示一个动作 以此为标准判断,completedTranslate 并不是一个有效动宾结构。...只要你懂得最基本命名要求,知道最基本英语规则,就完全能够发现这类味道。...总结 今天我们讲了几个英语使用不当造成味道: 违反语法规则命名 不准确英语词汇 英语单词拼写错误 还有一些常见与语言相关味道: 使用拼音进行命名 使用不恰当单词简写(比如,多个单词首字母...,或者写单词其中一部分) 如何从实践层面上更好地规避这些味道: 制定代码规范,比如,类名要用名词,函数名要用动词动宾短语 要建立团队词汇表 要经常进行CR 编写符合英语语法规则代码。

    74730
    领券