决策链云智库 - 用户贡献 [zh-cn]

决策链软件

2023-12-13T06:13:06Z

Xianyu：修改内容

{{for|the info of DecisionLinnc Software|DecisionLinnc Software}}
{{Shortcut|DL:DecisionLinnc|DL:DL}}

== 决策链软件简介 ==
决策链软件定位为：下一代整合型数据科学工具。
我们致力于打造成一款简洁、易用、高效和智能的数据科学分析平台，让用户轻松地打造属于自己的统计世界。它基于[[统计流|统计流（数据分析流程，Workflow）]]实现可视化编程的逻辑，真正意义上实现了计算机辅助用户进行数据分析或者决策，并且能够做到轻松部署和高效执行。 
在开发决策链的过程中，我们将数据科学领域的业务逻辑和分析原理进行了拆分、整合和重构，并将其设计为[[节点|节点（Node）]]。在决策链的画布中，用户可以利用[[节点|多种分析节点]]和[[连接线]]，构建思维导图以描述数据分析的具体过程，能够适配复杂且多变的数据挖掘需求。 
在决策链中，一切皆功能可以节点化，包括但不限于：云计算（服务器与集群控制指令）、多语言脚本（Java/R/Python/C++等解释器环境）、数据管道（数据库、数据接口、I/O读写）、数据加工（处理、清洗、采样、分箱）、数据挖掘（分析、建模、机器学习、神经网络）和AI人工智能（影像、语音和语义）等。
* ''产品理念''：搭建由开发者、数据分析师和集团用户共建共享的统计生态圈，让用户随心所欲地打造自己的统计世界，用数据科学驱动科研与生产。
* ''产品目标''：以服务学术研究为基础，为各行业提供智能化的数据分析指南和决策方案。
* ''软件应对的数据科学要素''：数据库及数据矩阵、影像、音频和语义。
* ''软件主要功能''：数据管道、数据加工、数据挖掘、模型构建、模型部署、工作流搭建与自动化应用。具体包括数据源接入（数据库、矩阵等）、数据整理和清洗（数据预处理、字符串及乱码处理、数据提取、特征增强、变量生成、数据降维和数据分箱等）、数据分析（基础数据统计和运算、高级数据统计及运算、回归分析、交叉分析、匹配和聚类等）、机器学习（数据、影像、语音和语义）、深度学习（数据、影像、语音和语义）等。
用户在软件画布中通过“拖拉拽”功能节点的方式即可实现各种数据分析的可视化操作，高效、便捷地完成各种数据分析任务，甚至以分析流为基础实现高度自动化分析。 
软件分为个人版和企业版，企业版可根据用户需求定制化开发，并在私有云上部署。

== 决策链解决的行业痛点及带来的行业突破 ==
=== 我们解决了哪些行业痛点 ===
软件解决了以下行业层痛点：
* 自主研发，不存在被西方“卡脖子”的问题。
* 完成从数据科学、行业应用、软件开发到价值转化的闭环，让用户能够轻松驾驭垂直领域的数据分析任务。
* 简单易用，并能够保证用户在满足灵活性的同时实现高度的自动化，大幅度提高数据分析和模型搭建效率，而主流数据科学软件大部分依赖代码层操作，且牺牲大量自动化空间，增加了企业开发、学习和使用成本。

=== 我们为行业带来了哪些突破 ===
软件针对不同行业的应用场景和不同层级的用户，带来了以下颠覆性改变：
* 无代码可视化操作，大幅度降低学习成本和劳动强度。
* 任务部署流程化、可视化。
* 重复性工作自动化执行。

== 决策链核心特性 ==
=== 任务节点化与可视化 ===
数据科学所涵盖的各种功能需求均被合理化的拆分为节点（Nodes），节点作为任务单元可以在画布中被拖拉拽，并经过简单的配置即可投入生产。
{{gallery
|CS-Nodes.png
|Demo-Workflow.png
}}
决策链研发团队在未来两年内，将陆续发布总共1000个涵盖全行业的任务节点，满足各行业不同层级用户的多样需求。
任务节点的包括但不限于以下类别：
* 数据读取和写入：数据库、矩阵、文件（数据、影像、音频、语义）。
* 数据处理：文本、数据、语音、影像的预处理、后处理、加密解密及特征增强等处理。
* 数据挖掘与加工：统计分析、建模、AI模型（机器学习、深度学习、多模态模型等）。
* AI与模型：AI单模型（机器学习、深度学习）、AI多模态模型。
* 逻辑控制：循环、分支等逻辑控制。
* 模型部署与应用：模型加载、模型预测、模型评估、模型优化等。
{{gallery
|CS-Nodes-Blueprint.png
}}

=== 简化任务部署和应用 ===
决策链中的任务部署和应用均在画布中完成。一张画布即可将复杂的任务流程清晰、简洁的展示，每个节点均可进行灵活的配置和执行调试。无论多么复杂的任务，都可以在一张画布中以所见即所得的方式部署和应用。

=== 任务自动化、周期化执行 ===
在针对数据库等网络环境中部署数据科学任务时，我们面对的是不断增量更新的数据流，手动执行这些任务非常的耗时耗力。决策链可以轻松快速的实现数据库接入→条件查询→数据清洗和整理→变量生成及变量提取→分配权重并进行数据处理→数据挖掘→建立模型→回写数据库并部署模型整个全流程，利用循环节点和API接口，可以进一步灵活的控制自动化和周期化的任务执行方案。
比如：数据库自动化执行。
{{gallery
|Demo-Workflow.png
|Demo-Workflow-1.png
|Demo-Workflow-3.png
|Demo-Workflow-4.png
|Demo-Workflow-5.png
|Demo-Workflow-6.png
|Demo-Workflow-7.png
|Demo-Workflow-8.png
}}
再比如：机器学习自动化建模。
{{gallery
|Demo-Workflow-0.png
|Demo-Workflow-2.png
}}

=== 可定制集成业务模块 ===
决策链支持各种高度专业化、场景化的集成化模块定制。以下面几个案例为示范：

* 自动化报表、报告系统
** 全自动生成项目报告，包括报表和各种分析结果图。表单等报告元素均可实现灵活定制。
** 定制化可视化节点
{{gallery
|Demo-Report-1.png
|Demo-Report-2.png
|Demo-Report-3.png
|Demo-Report-4.png
|Demo-Preview-1.png
|Demo-Preview-2.png
|Demo-Preview-3.png
|Demo-Preview-4.png
}}
我们可以在画布中实现数据可视化的节点，满足用户灵活的需求制作图表。 
例如：时间序列图、区位图、云雨图、曲面图、雷达图、饼图、散点图、柱状图、气泡图、森林图等。
{{gallery
|Demo-生存曲线.png
|Demo-诺模图.png
|Demo-分组云雨图.png
|Demo-分组检验柱状图.png
|Demo-韦恩图.png
|Demo-相关性热图.png
|Demo-逻辑回归森林图.png
|Demo-ROC曲线图.png
|Demo-关系图.png
|Demo-凹凸图.png
|Demo-回归曲线图.png
|Demo-基线波动图.png
|Demo-富集气泡图.png
|Demo-差异基因排序图.png
|Demo-棒棒糖图.png
|Demo-泰勒图.png
|Demo-流动图.png
|Demo-矩阵散点图.png
|Demo-组合分布散点图.png
|Demo-聚类折线图.png
|Demo-连线箱线图.png
|Demo-限制性立方样条曲线预测图.png
}}

=== 可扩展插件机制 ===
在决策链软件中，一切功能（包括节点）都可被理解为插件，包括软件中的功能、视窗、按钮，以及所有能够看到的或想到的事件。 
我们支持灵活的插件开发机制，为软件带来接近无穷的扩展空间，以满足企业级用户不断提出的复杂且多样的需求。

== 产品定制化与服务 ==
通常我们会按照以下流程完成企业级产品的定制化开发： 
需求对接→讨论交流→方案定制→讨论交流→方案调整→确认方案→签订合同→财务流程→定制化开发→产品验收→财务流程→产品交付。 
在产品的有效服务周期内，我们的技术支持团队会对用户进行定期的培训，对服务器进行周期性维护和升级，并提供及时、有效的售后技术支持。

== 产品生态 ==
在决策链的生态链中，我们将软件、BBS论坛、Wiki百科融合为一个闭环生态链，让用户能够在生态中进行自由、高效和纯粹的交流沟通。 
其中，统计流可以做为工程文件模板，在用户之间分享和传递，从而不断地为用户提供灵活的解决方案，积累长尾效应并拓展边际价值。

== 企业合作伙伴 ==
我们不断参与国家重点、重大数据科学要素相关的产学研项目，已经与多个国内知名高校、研究所等单位进行了产学研合作。

== 团队介绍 ==
决策链研发团队主要由海内外名校博士和硕士组成，我们的专业覆盖人工智能、大数据、数据挖掘及计算机软件开发等领域，拥有较高的研发效率和较强的创新能力。

{{#seo:
|title=决策链软件 (DecisionLinnc Software) - 决策链云智库 (DecisionLinnc Wiki)
|description=决策链软件定位为：下一代整合型数据科学工具。我们呀已经把它打造成一款简洁、易用、高效、智能和强大的数据科学软件，让所有用户能够轻松打造属于自己的统计世界，并利用[[统计流|统计流（工作流，Workflow）]]实现可视化编程的逻辑，从而让计算机辅助决策流程能够真正意义上做到轻松部署和高效执行。在开发决策链的过程中，我们将数据科学领域的业务和原理进行了拆分、整合和重构，并将其重新打包为一个个[[节点|节点（Node）]]，在决策链的画布中我们利用[[节点]]和[[连接线]]，可以做出类似思维导图的工作流程，并让所有的节点能够开始自动化的沿着连接线去工作。在决策链中，一切皆可以成为节点，包括但不限于：云计算（服务器与集群控制指令）、多语言脚本（Java/R/Python/C++等解释器环境）、数据管道（数据库、数据接口、I/O读写）、数据加工（处理、清洗、采样、分箱）、数据挖掘（分析、建模、机器学习、神经网络）和AI人工智能（影像、语音和语义）等。
|site_name=DecisionLinnc Software
|locale={{PAGELANGUAGE}}
}}
{{SHORTDESC:DecisionLinnc Software}}
[[Category:决策链云智库社区]]

文件:自由度1.png

2022-03-04T14:55:39Z

Xianyu：

自由度1

文件:Mi.png

2022-03-04T14:53:36Z

Xianyu：

文件:皮尔森相关检验5.png

2022-03-04T14:52:40Z

Xianyu：

皮尔森相关检验5

文件:X^2.png

2022-03-04T14:52:09Z

Xianyu：

x^2

文件:无穷.png

2022-03-04T14:51:25Z

Xianyu：

无穷

文件:N.png

2022-03-04T14:50:55Z

Xianyu：

文件:皮尔森相关检验4.png

2022-03-04T14:49:36Z

Xianyu：

皮尔森相关检验4

文件:皮尔森相关检验3.png

2022-03-04T14:49:07Z

Xianyu：

皮尔森相关检验3

文件:理论期望次数.png

2022-03-04T14:47:16Z

Xianyu：

理论期望次数

文件:Pi.png

2022-03-04T14:46:20Z

Xianyu：

文件:I.png

2022-03-04T14:45:25Z

Xianyu：

文件:皮尔森相关检验2.png

2022-03-04T14:42:33Z

Xianyu：

皮尔森相关检验2

文件:皮尔森相关检验1.png

2022-03-04T14:41:48Z

Xianyu：

皮尔森相关检验1

两样本比较的T检验

2022-03-04T14:31:43Z

Xianyu：

{{右侧信息框
| 所属目录 = 正态性检验
| 类型 = 分析原理
| 上一节 = [[样本均数与总体均数比较的T检验]]
| 下一节 = [[方差分析]]
}}

两独立样本均数比较 t 检验用于比较两样本所分别代表的总体均数是否有统计学差异。理论上，即使样本量很小时，也可以进行 t 检验,如样本量为10。一些学者声称甚至更小的样本也行，只要每组中变量呈正态分布，两组方差不是明显不同。正态分布假设可以通过观察数据的分布（如直方图、箱体图、Q-Q图）或进行正态性检验来测量。'''方差齐性的假设可进行F检验，或进行更有效的 Levene's 检验。如果不满足这些条件，使用非参数检验代替 t 检验进行两组间均值的比较'''。'''如果呈正态分布，但方差不齐，可采用 Welch's t test 方法。'''

'''一、双侧检验还是单侧检验'''

t 检验中的P值是指拒绝无效假设的犯错概率。一些学者认为如果差异具有特定的方向性，就可只考虑单侧概率分布，将所得到t-检验的P值分为两半。另一些学者则认为无论何种情况下都要报告标准的双侧 t 检验概率。

'''二、配对数据'''

对于配对数据，采用配对 t 检验。配对 t 检验的基本原理是计算每对的差值（X=X1-X2），然后采用单样本T检验方法，检验差值是否等于0，以此推断配对样本间是否有显著差异。首先计算每对两数据之间的差，然后比较这些差值与0之间存在差异的概率。

'''三、数据结构'''

非配对数据：须有一个两分类的分组变量，指明对其所代表的两组进行比较。如分组变量为性别 SEX（1=男，2=女），表明对男与女之间进行比较。

配对数据：有横向数据与纵向数据两种。

横向数据：一条记录代表一对，用两个变量如（X1、X2）代表一对观测值。给定两个变量名，软件分别采用配对和非配对两个 t检验方法比较两个变量。此时不能指定分组变量，否则软件自动按非配对数据，对两个变量分别做两组间的比较。

纵向数据：每对观测单位有两条记录，有一个共同的配对组号，表示它们属于同一对。此时需要先对数据进行处理，采用【数据操作】-【数据结构重组】-【纵向数据转换成横向数据】模块，将每对的两条记录转化为1条记录，原先代表某观测指标的一个变量转化为2个变量（如X1，X2）。

四、'''配对t检验'''

配对样本''t''检验可视为单样本''t''检验的扩展，不过检验的对象由一群来自正态分配独立样本更改为两配对样本之观测值之差。

若两配对样本''x''1''i''与''x''2''i''之差为''di'' = ''x''1''i'' − ''x''2''i''独立且来自正态分配，则''di''之总体期望值''μ''是否为''μ''0可利用以下统计量：
[[文件:两样本配对t检验统计量.png|居中|无框]]
其中，[[文件:T检验统计量2.png|无框]]，[[文件:两样本配对t检验统计量1.png|无框]] 及 [[文件:两样本配对t检验统计量2.png|无框]]为两样本各自的平均数，[[文件:两样本配对t检验统计量3.png|无框]]，为样本之共同方差。该统计量''t''在零假设：''μ''1 - ''μ''2 = ''μ''0为真的条件下服从自由度为2''n'' − 2的t分布。

文件:两样本配对t检验统计量3.png

2022-03-04T14:31:18Z

Xianyu：

两样本配对t检验统计量3

文件:两样本配对t检验统计量2.png

2022-03-04T14:30:16Z

Xianyu：

两样本配对t检验统计量2

文件:两样本配对t检验统计量1.png

2022-03-04T14:29:14Z

Xianyu：

两样本配对t检验统计量1

文件:两样本配对t检验统计量.png

2022-03-04T14:26:21Z

Xianyu：

两样本配对t检验统计量

样本均数与总体均数比较的T检验

2022-03-04T14:22:13Z

Xianyu：

{{右侧信息框
| 所属目录 = 正态性检验
| 类型 = 分析原理
| 上一节 = [[正态性检验]]
|下一节=[[两样本比较的T检验]]}}

样本均数与总体均数比较的 t 检验（'''单样本t检验'''），用于检验调查人群是否来源于指定的人群，即样本均数所代表的未知总体均数和和已知总体均数之间是否存在差异。如果样本均数和已知总体均数不同，造成差异的原因可能有：'''一是样本来源于不同的总体，此时拒绝无效假设'''。'''二是样本来源于同一总体'''，差异是由于抽样误差造成的，此时不拒绝无效假设。进行单样本T检验的变量要求符合正态分布。可以通过直方图、箱体图、Q-Q图或进行正态性检验来确定。

检验零假设为一群来自正态分配独立样本''xi''之总体期望值''μ''为''μ''0可利用以下统计量：
[[文件:T检验统计量.png|居中|无框]]

其中，[[文件:T检验统计量2.png|无框]]，[[文件:T检验统计量 1.png|无框]]，为样本平均数，[[文件:T检验统计量3.png|无框]]为样本标准差，''n''为样本数。该统计量''t''在零假设：''μ'' = ''μ''0为真的条件下服从自由度为''n'' − 1的t分布。

文件:T检验统计量3.png

2022-03-04T14:06:10Z

Xianyu：

t检验统计量3

文件:T检验统计量2.png

2022-03-04T14:04:33Z

Xianyu：

t检验统计量2

文件:T检验统计量 1.png

2022-03-04T14:00:57Z

Xianyu：

t检验统计量_1

文件:T检验统计量.png

2022-03-04T13:59:24Z

Xianyu：

t检验统计量

文件:SW检验.png

2022-03-01T17:43:52Z

Xianyu：

SW检验

文件:柯尔莫哥洛夫分布概率函数.png

2022-03-01T17:10:02Z

Xianyu：

柯尔莫哥洛夫分布概率函数

文件:柯尔莫哥洛夫分布.png

2022-03-01T17:01:20Z

Xianyu：

柯尔莫哥洛夫分布