Organiza tus páginas con colecciones
Guarda y categoriza el contenido según tus preferencias.
Los bosques de decisión proporcionan los siguientes beneficios:
Son más fáciles de configurar que las redes neuronales. Los bosques de decisión tienen menos hiperparámetros. Además, los hiperparámetros de los bosques de decisión proporcionan buenos valores predeterminados.
Controlan de forma nativa los atributos numéricos, categóricos y faltantes. Esto significa que puedes escribir mucho menos código de procesamiento previo que cuando usas una red neuronal, lo que te ahorra tiempo y reduce las fuentes de error.
A menudo, proporcionan buenos resultados de forma inmediata, son resistentes a los datos con ruido y tienen propiedades interpretables.
Infieren y entrenan en conjuntos de datos pequeños (< 1 millón de ejemplos) mucho más rápido que las redes neuronales.
Los bosques de decisión producen excelentes resultados en las competencias de aprendizaje automático y se usan mucho en muchas tareas industriales.
En este curso, se presentan los árboles de decisión y los bosques de decisión.
Los bosques de decisión son una familia de algoritmos de aprendizaje automático interpretables que se destacan con los datos tabulares.
Los bosques de decisión pueden realizar las siguientes acciones:
En este curso, se explica cómo funcionan los bosques de decisión sin enfocarse en ninguna biblioteca específica.
Sin embargo, a lo largo del curso, los cuadros de texto muestran ejemplos de código que dependen de la biblioteca de bosques de decisión YDF, pero se pueden convertir a otras bibliotecas de bosques de decisión.
Requisitos previos
En este curso, se supone que completaste los siguientes cursos o tienes conocimientos equivalentes:
[null,null,["Última actualización: 2025-02-25 (UTC)"],[[["\u003cp\u003eDecision forests are interpretable machine learning algorithms that work well with tabular data for tasks like classification, regression, and ranking.\u003c/p\u003e\n"],["\u003cp\u003eDecision forests offer advantages such as easy configuration, native handling of various data types, robustness to noise, and fast inference/training on smaller datasets.\u003c/p\u003e\n"],["\u003cp\u003eThis course provides a comprehensive understanding of decision trees and forests, including how they make predictions, different types, performance considerations, and effective usage strategies.\u003c/p\u003e\n"],["\u003cp\u003eThe course uses YDF library code examples to demonstrate concepts, but the knowledge is transferable to other decision forest libraries.\u003c/p\u003e\n"],["\u003cp\u003eBasic machine learning knowledge and familiarity with data preprocessing are prerequisites for this course.\u003c/p\u003e\n"]]],[],null,["# Introduction\n\n\u003cbr /\u003e\n\n| **Estimated Course Time:** 2.5 hours\n\nDecision forests provide the following benefits:\n\n- They are **easier to configure** than neural networks. Decision forests have **fewer hyperparameters** ; furthermore, the hyperparameters in decision forests provide **good defaults**.\n- They **natively handle** numeric, categorical, and missing features. This means you can write far less preprocessing code than when using a neural network, saving you time and reducing sources for error.\n- They often give **good results out of the box**, are robust to noisy data, and have interpretable properties.\n- They infer and train on small datasets (\\\u003c 1M examples) **much faster** than neural networks.\n\nDecision forests produce great results in machine learning competitions, and\nare heavily used in many industrial tasks.\n\nThis course introduces decision trees and decision forests.\nDecision forests are a family of\n[interpretable](/machine-learning/glossary#interpretability) machine learning\nalgorithms that excel with tabular data.\nDecision forests can perform:\n\n- [Classification](https://developers.google.com/machine-learning/glossary/#classification-model)\n- [Regression](https://developers.google.com/machine-learning/glossary/#regression-model)\n- [Ranking](https://developers.google.com/machine-learning/glossary/#ranking)\n- [Anomaly detection](https://developers.google.com/machine-learning/glossary#anomaly-detection)\n- [Uplift modeling](https://developers.google.com/machine-learning/glossary/#uplift-modeling).\n\n| **Learning Objectives:**\n|\n| - Explain decision trees and decision forests.\n| - Determine how decision trees and decision forests make predictions.\n| - Understand how different types of decision forests, such as random forests and gradient boosted trees.\n| - Explain when decision forests perform well, and what their limitations are.\n- Develop a sense of how to use decision forests effectively. \nYDF Code\nThis course explains how decision forests work without focusing on any specific libraries. However, throughout the course, text boxes showcase code examples that rely on the [YDF](https://ydf.readthedocs.io) decision forest library, but can be be converted to other decision forest libraries.\n\nPrerequisites\n-------------\n\nThis course assumes you have completed the following courses or have equivalent\nknowledge:\n\n- [Machine Learning Crash Course](/machine-learning/crash-course)\n- [Machine Learning Problem Framing](/machine-learning/problem-framing)\n- [Data Prep and Feature Engineering](/machine-learning/data-prep)\n\n*Happy Learning!*"]]
